Введение к работе
Актуальность темы исследования. Задача управления рисками в банковском секторе является нетривиальной на всем протяжении ведения банковской деятельности. Проблема банковских рисков в современности приобретает все большую актуальность в свете увеличения влияния финансового сектора на мировую экономику. Так, к примеру, в США, в крупнейшей экономике мира, в 1970-х годах доля доходов финансового сектора в общем объеме доходов корпораций не превышала 16%, а в 2000-х достигла уже 41%. Принимая во внимание колоссальную роль банков в мировом финансовом кризисе 2008 года и набирающем обороты кризисе 2011 года, проблема управления и контроля за рисками в банковском секторе требует пристального внимания и изучения.
Среди всех видов риска, свойственных банковской деятельности, процентный риск занимает особое место, уступая лидирующие позиции по степени влияния лишь кредитному риску. Однако одним из существенных отличий процентного риска от кредитного является тот факт, что область, подверженная его влиянию, много шире. Вследствие этого, значимость процентного риска является высокой не для одного отдельного направления бизнеса, а для банка в целом.
Кроме этого, принимая во внимание высокую волатильность финансовых рынков, в том числе и рынка процентных ставок, в период экономической нестабильности, управление процентным риском должно осуществляться взвешенно, учитывая возможные варианты развития событий, влияющих на уровень процентного риска.
Упомянутые выше обстоятельства обуславливают актуальность исследования.
Степень научной разработанности темы. Изучением понятия процентного риска и исследованием различных аспектов проблем оценки и управления данным видом риска занимались такие ученые как Macaulay F., Redhead К., Hughes S., Entrap О., Cade E., Helliar C, Fabozzi F., Gardener E., Mishkin F., van Greuning H., Patnaik I., Madura J., Amadou N.
Современный уровень разработки данной проблемы в нашей стране отражены в работах отечественных ученых и специалистов, среди которых следует выделить Севрук В.Т., Ларионову И.В., Виниченко И.Н., Лаврушина О.И., Соколинскую Н.Э., Валенцеву Н.И., Хандруева А.А.
Одним из динамично развивающихся направлений в исследовании экономических объектов и систем является использование математических методов. Среди них отдельно следует отметить подходы, позволяющие широко использовать в исследовании концепции синергетики, детерминированного хаоса, фрактальной геометрии. Разработкой и развитием таких методов занимались следующие ученые: Takens F., Sornette D., Peters E., Bachelier L., Mandelbrot В., Gilmore R., Kantz H., Grassberger P., Procaccia I., Fama E., Lorenz E., Ruelle D., Casdagli M., Cao L., Haken H., Lefranc M. В российской науке значительный вклад в развитие этого направления внесли Курдюмов СП., Малинецкий Г.Г., Безручко Б.П., Лоскутов А.Ю., Шумский С.А., Куперин Ю.А.
Целью диссертационного исследования является разработка теоретических и методологических основ для управления процентным риском в коммерческих банках на базе прогнозирования процентных ставок с помощью теории детерминированного хаоса.
Для достижения поставленной цели решены следующие задачи:
Исследование существующих подходов для прогнозирования финансовых временных рядов и оценки процентного риска с целью использования имеющегося опыта в разработке нового метода.
Выбор эффективного инструментария для исследования нелинейных динамических систем на основе порожденных временных рядов.
Исследование связи рынка процентных ставок и процентного риска в коммерческих банках.
Адаптация одномерной математической модели прогнозирования к рынку процентных ставок с учетом ограниченной детерминированности и предсказуемости.
Разработка многомерной математической модели прогнозирования процентных ставок.
Создание методики управления процентным риском на основе разработанных моделей прогнозирования.
Объектом исследования выступают коммерческие банки, подверженные процентному риску в результате осуществления операций с процентными продуктами.
Предметом исследования является методы и инструменты для управления процентным риском в коммерческих банках, а также методы и алгоритмы, обеспечивающие моделирование связанных с процентным риском систем.
Область исследования соответствует паспорту специальности ВАК РФ 08.00.13 «Математические и инструментальные методы экономики» по следующим пунктам:
1.1. Разработка и развитие математического аппарата анализа экономических систем: математической экономики, эконометрики, прикладной статистики, теории игр, оптимизации, теории принятия решений, дискретной математики и других методов, используемых в экономико-математическом моделировании.
1.6. Математический анализ и моделирование процессов в финансовом секторе экономики, развитие метода финансовой математики и актуарных расчетов.
2.3. Разработка систем поддержки принятия решений для рационализации организационных структур и оптимизации управления экономикой на всех уровнях.
Теоретической и методологической основой являются научные труды отечественных и зарубежных ученых в области оценки и управления процентным риском в банках, теории детерминированного хаоса, нелинейной динамики, математических методов и моделей финансовых рынков, фрактальной геометрии, синергетики, опубликованные в российской и зарубежной печати, а также в сети Интернет.
Практические расчеты в рамках настоящего исследования производились с использованием таких прикладных программных средств как MS Excel, MathWorks Matlab, Fractan, Tisean.
Информационную базу исследования составили:
данные информационно-аналитических материалов по исследуемой проблеме, представленные в научной литературе, периодической печати и сети Интернет;
статистические источники в виде котировок ставок межбанковского кредитования LIBOR и EURIBOR на различные сроки.
Наиболее существенными результатами, полученными лично автором, имеющими научную новизну и выносимыми на защиту, являются:
Установленная с помощью статистических методов нелинейность и детерминированность рынка процентных ставок LIBOR и EURIBOR.
Модифицированная математическая модель для прогнозирования процентных ставок на основе одномерного временного ряда, учитывающая детерминированность исследуемых
систем, а также разработанный подход для определения области применимости данной модели.
Математическая модель для прогнозирования процентных ставок на основе многомерного временного ряда, учитывающая детерминированность исследуемых систем и позволяющая использовать при построении прогноза динамику нескольких систем.
Методика управления процентным риском в коммерческих банках, в основе которой лежит математическая модель прогнозирования процентных ставок на базе методов теории детерминированного хаоса, позволяющая производить сценарное моделирование с помощью прогностических данных.
Теоретическая значимость результатов. Сформулированные в диссертационном исследовании положения и выводы развивают теоретико-методологическую базу анализа и прогнозирования рынка процентных ставок, а также методов управления процентным риском.
Практическая значимость результатов. Разработанный методологический подход предоставляет коммерческим банкам корректный инструмент, позволяющий в задаче управления процентным риском перейти от гипотетического сценарного моделирования к сценарному моделированию, основанному на более вероятных прогнозных данных.
Апробация результатов исследования. Основные положения диссертационной работы докладывались на научно-технической конференции студентов и молодых ученых ПГТУ (г. Пермь, 2007 г.), на XV Международной научно-технической конференции «Информационно-вычислительные технологии и их приложения (г.Пенза, 2011 г.), на XII Международной научно-технической конференции «Кибернетика и высокие технологии XXI века (г.Воронеж, 2011 г.), на семинаре Лаборатории конструктивных методов исследования динамических моделей ПГНИУ (г. Пермь, 2011г.).
Результаты исследования нашли практическое применение в ЗАО ЮниКредит Банк. В работе данной организации используется методология управления процентным риском, а также применяется описанная в исследовании модель прогнозирования процентных ставок.
Также материалы, методы и результаты диссертации используются на кафедре Прикладной математики Пермского национального исследовательского политехнического университета при чтении курса «Математический анализ динамических моделей в экономике» по направлению подготовки 010500.68 «Прикладная
математика и информатика» в рамках магистерской программы «Математические методы в управлении экономическими процессами» и при чтении курса «Математический анализ динамических процессов в экономике» по направлению подготовки 080100.68 - «Экономика» в рамках магистерской программы «Математические методы анализа экономики».
Многие участники рынка заинтересованы в том, чтобы уметь предсказывать дальнейшее направление валютного курса. Будь то крупная компания или индивидуальный трейдер, прогноз по валюте крайне важен для минимизации рисков и повышения прибыли.
Существует огромное число методов, которые позволяют предугадать поведение валютной пары. Однако столь большая численность, скорее всего, связана с относительно равной эффективностью каждого из способов. Именно поэтому получить действительно качественный прогноз крайне сложно. Тем не менее, в данной статье речь пойдет о четырех наиболее популярных методах прогнозирования валютных курсов.
Теория паритета покупательной способности (ППС)
Паритет покупательной способности (ППС) – это, пожалуй, наиболее популярный способ ввиду постоянного упоминания в учебных пособиях по экономике. Принцип ППС основан на теоретическом “законе одной цены”, согласно которому идентичные товары в разных странах должны иметь одинаковую цену.
К примеру, согласно данному правилу, карандаш в Канаде должен стоить столько же, сколько стоит такой же карандаш в США, с учетом обменного курса и исключая затраты на обменную операцию и транспортировку. Другими словами, не должно быть повода для спекуляции, когда кто-то будет “по дешевке” покупать карандаши в одной стране с тем, чтобы выгодно продать в другой.
Исходя из этого теории ППС, обменный курс должен изменяться таким образом, чтобы компенсировать рост цен из-за инфляции. К примеру, предположим, что цены в США в ближайший год должны вырасти на 4%, в то время как в Канаде всего на 2%. Инфляционный дифференциал составит:
Это означает, что темпы роста цен в США окажутся быстрее, чем таковые в Канаде. Согласно принципу паритета покупательной способности, американский доллар должен обесцениться приблизительно на 2% для того, чтобы цены на товары в двух странах оставались относительно одинаковыми. Например, если обменный курс равнялся 90 американским центам за канадский доллар, то согласно методу ППС, прогнозируемый курс составит:
(1 + 0,02) x (0,90 долл США за 1 канадский долл) = 0,918 долл США за 1 канадский долл
Это означает, что курс канадского доллара должен вырасти до 91,8 американского цента за доллар.
Наиболее популярное применение метода ППС проиллюстрировано на примере индекса “Биг Мак”, составленного и опубликованного в британском журнале The Economist. “Веселый” индекс – это попытка определить, занижена или завышена стоимость валюты в зависимости от цены на Биг Мак в разных странах. Поскольку Биг Мак – это универсальный продукт, одинаковый во всех странах, где продается, то сравнение цен на него и легло в основу индекса.
Принцип относительной экономической стабильности
Название данного подхода говорит само за себя. За основу берутся темпы экономического роста в разных странах, что позволяет предугадать направление движения обменного курса. Логическое обоснование данного метода заключается в том, что здоровый экономический климат и потенциально более высокие темпы роста с большей вероятностью привлекут инвестиции из-за рубежа. А для вложения средств иностранному инвестору придется покупать национальную валюту, что приведет к повышению спроса и, соответственно, подорожанию валюты.
Однако подобный подход основывается не только на соотношении относительной экономической стабильности двух стран. Он позволяет получить представление и об инвестиционных потоках. Например, привлечь инвесторов в страну, помимо прочего, может определенный уровень процентных ставок. Так, более высокие процентные ставки становятся заманчивыми для тех инвесторов, которые пытаются достичь максимальной доходности своих инвестиций. В результате, спрос на национальную валюту растет, а это увеличивает ее стоимость.
И наоборот, низкие процентные ставки в некоторых случаях могут отпугнуть инвесторов, сократив приток инвестиций, или даже стимулировать кредитование в национальной валюте для осуществления других инвестиций. Подобная ситуация сложилась в Японии, когда процентные ставки опустились до рекордных минимумов. Подобная торговая стратегия известна под названием «керри-трейд».
В отличие от теории ППС, принцип относительной экономической стабильности не поможет спрогнозировать размер курса валюты. Данный метод дает инвесторам скорее общее представление о направлении движения валюты (усиление или ослабление), а также о силе импульса. Чаще всего для получения более полной картины описанный принцип используется в комбинации с другими методами прогнозирования.
Построение эконометрической модели
Еще одним популярным способом прогнозирования валютных курсов является создание модели, которая связывает обменный курс конкретной валюты со всеми факторами, влияющими, по мнению трейдера, на ее движение. Обычно при построении эконометрической модели используются величины из экономической теории. Однако в подсчеты может быть добавлена любая переменная, которая, как считается, оказывает сильное влияние на обменный курс.
Предположим, разработчику прогнозов для одной из канадских компаний было поручено составить прогноз курса USD/CAD на ближайший год. После тщательных исследований и анализа в качестве ключевых отбираются следующие факторы: дифференциал процентных ставок США и Канады (INT), разница между темпами роста ВВП (GDP) и разница между темпами роста доходов населения в обеих странах (IGR).Тогда эконометрическая модель будет выглядеть следующим образом:
USD/CAD (1 год) = z + a(INT) + b(GDP) + c(IGR)
Не вдаваясь в подробности касательно принципов построения уравнения, после получения модели можно просто подставить переменные INT, GDP и IGR и получить необходимый прогноз. Коэффициенты a, b и c определяют, насколько сильно каждый из перечисленных факторов влияет на обменный курс и направление движение (в зависимости от того, значение коэффициента отрицательное или положительное). Данный метод, пожалуй, самый сложный и длительный из всех описанных выше. Тем не менее, когда уже имеется готовая модель, можно с легкостью получать быстрые прогнозы, подставляя новые данные.
Анализ временных рядов
Последний из рассматриваемых способов – это анализ временных рядов. Данный метод исключительно технический и не связан с экономической теорией. Одной из наиболее популярных моделей в анализе временных рядов является модель авторегресионного скользящего среднего (ARMA). Согласно данному методу, прошлое поведение и ценовые модели могут использоваться для прогнозирования будущего поведения и ценовых моделей конкретной пары. Для этого в специальную компьютерную программу вводятся временные ряды данных, после чего программа оценивает все параметры и создает индивидуальную модель.
Заключение
Прогнозирование валютных курсов – это крайне сложная задача. Именно по этой причине многие компании и инвесторы попросту страхуют валютные риски. Другие же понимают важность предугадывания валютных курсов и пытаются разобраться в факторах, которые на них влияют. Вышеописанные 4 метода станут хорошим стартом именно для этой категории участников рынка.
Размер: px
Начинать показ со страницы:
Транскрипт
1 18 С.А. Полуяхтов, В.А. Белкин С.А. Полуяхтов, В.А. Белкин УДК Кондратьевские циклы ставки процента как основа прогнозирования его динамики Аннотация. В статье на обширном статистическом материале доказана гипотеза о том, что циклические колебания банковской процентной ставки по кредитам определяются циклами солнечной активности. На этой основе возможно прогнозирование процентной ставки в среднесрочной и долгосрочной перспективе, а следовательно, и будущего состояния мировой и российской экономики. Summary. Extensive statistic material helped the authors to prove the hypothesis that cyclical fluctuations of the bank credit interest rate are determined by solar cycles. This facts makes it possible to forecast an interest rate in medium-term and long-term perspective and consequently to predict future economic situation in the world and in Russia as well. Ключевые слова. цикличность банковской процентной ставки, циклы солнечной активности, циклическое развитие экономики, прогнозирование экономических кризисов, прогнозирование банковской процентной ставки. Key words. Cyclical fluctuations of the bank credit interest rate, solar cycles, cyclical development of economy, forecast of economic crisis, forecast ofbank interest rate. Мировой финансовый кризис гг. снова обнажил проблему неадекватного прогнозирования основных экономических показателей и, как следствие, слишком оптимистического взгляда правительств различных стран на будущую экономическую ситуацию в мире. Одной из причин сложившейся ситуации является отсутствие прогнозов одного из важнейших экономических показателей банковской процентной ставки. В своей статье «О прогнозе процентной ставки» С. Моисеев отмечает, что «если за рубежом процентные ставки и без прогнозов центрального банка хорошо предсказуемы, то в России налицо дефицит информации о будущей динамике денежного рынка. Гадание на процентных ставках является одним из самых сложных анализов и, как правило, оценки будущих ставок не входят в консенсус-прогнозы и опросы профессиональных прогнозистов» . Не имея возможности получить прогноз процента из официальных источников, многие экономисты решают прогнозировать его сами. Однако имеющиеся на сегодняшний день методы прогнозирования либо слишком примитивны, либо настолько трудоемки, что недоступны большинству из них. Поэтому нами предлагается разработать метод для прогнозирования процента, основанный на его связи с циклами солнечной активности (далее по тексту СА), который будет давать более точный прогноз без каких-либо трудоемких вычислений, что позволит применять его любому экономическому субъекту. Âåñòíèê Òþìåíñêîãî ãîñóäàðñòâåííîãî óíèâåðñèòåòà ¹ 11
2 Кондратьевские циклы ставки процента В качестве исходной мы принимаем гипотезу В.А. Белкина о том, что «циклические колебания основных макроэкономических показателей, в том числе таких, как уровень безработицы, уровень инфляции и средней ставки кредита, курс национальной валюты, дефицит (профицит) консолидированного бюджета, определяются циклами солнечной активности» . Для проверки данной гипотезы за период с 1947 г. по июль 2010 г. нами были взяты среднегодовые данные о числах Вольфа, которые пропорциональны количеству пятен на солнечном диске и характеризуют СА . В качестве банковской процентной ставки, влияющей на состояние мировой экономики, за этот же период была взята ставка прайм-рейт (процентная ставка, в наибольшей мере приближающаяся к безрисковой). Далее нами были построены графики изменения данных показателей во времени (рис.1). Как показывает данная диаграмма, начиная с 1968 г., цикличность изменения ставки прайм-рейт в достаточной степени определяется циклами СА. Рис. 1. Динамика изменения среднегодовых чисел Вольфа и ставки прайм-рейт Стоит отметить некоторые особенности цикличности СА и ставки прайм-рейт. Так, фаза роста СА длится в среднем в течение 4 лет, а фаза падения 7 лет, общая продолжительность цикла составляет в среднем 11 лет. То есть цикл СА имеет резкий подъем и плавное снижение. При этом во время фазы роста СА наблюдается также фаза роста банковской процентной ставки, и при достижении циклом СА своего пика процентная ставка сразу или спустя 1 год также достигает максимального значения. Во время фазы снижения СА одновременно уменьшаются и значения банковской процентной ставки. Однако примерно за один-два года до очередного минимума СА банковская процентная ставка достигает своего следующего максимума. Пока мы не можем точно определить причину повторного цикла банковской ставки в рамках цикла СА и можем высказывать только предположения или гипотезы. Э К О Н О М И К А
3 20 С.А. Полуяхтов, В.А. Белкин Чтобы избавиться от влияния краткосрочных колебаний прайм-рейт, были рассчитаны средние значения анализируемых показателей по годам в точках перегиба кривой циклов СА и построены соответствующие графики (рис. 2). Из данной диаграммы видно, что 11-летние циклы СА в достаточной мере совпадают с циклами банковской процентной ставки (коэффициент корреляции равен 79%), которые совпадают с циклами К. Жюгляра. То есть рост СА приводит к росту прайм-рейт и, как следствие, в точках максимума к экономическому кризису. Таким образом, именно циклическая активность солнца является ключевым фактором, определяющим изменение банковской процентной ставки. Также выявленная связь раскрывает истинную причину цикличности данного показателя и развития мировой экономики в целом. Покажем, что такие ставки как LIBOR, EURIBOR изменяются практически синхронно со ставкой прайм-рейт. Тем самым мы докажем, что циклы СА определяют динамику банковского процента по всему миру, а не только в США. Рис. 2. Динамика изменения среднегодовых чисел Вольфа и ставки прайм-рейт в точках перегиба (экстремумах) кривой солнечной активности Для исследования наличия связи между ставками прайм-рейт и LIBOR была выбрана ставка LIBOR по кредитам до одного года. Значения по ней были взяты с сайта экономической статистики MORTGAGE-X . Далее приведена диаграмма, наглядно показывающая динамику синхронного изменения среднегодовых значений ставок прайм-рейт и LIBOR (на срок до одного года) (рис. 3). Âåñòíèê Òþìåíñêîãî ãîñóäàðñòâåííîãî óíèâåðñèòåòà ¹ 11
4 Кондратьевские циклы ставки процента Рис. 3. Динамика изменения среднегодовых значений ставок прайм-рейт и LIBOR (на срок до одного года) Для исследования наличия связи между ставками прайм-рейт и EURIBOR, была выбрана ставка EURIBOR по кредитам до одного года. Значения по ней были взяты с сайта ItIsTimed . Далее нами была построена диаграмма, наглядно показывающая динамику в высокой степени синхронного изменения среднегодовых значений ставок прайм-рейт и EURIBOR (на срок до одного года) (рис. 4). В гг. ставка EURIBOR изменялась синхронно со ставкой прайм-рейт, но с временным отставанием (лагом) примерно в 1 год. Рис. 4. Динамика изменения среднегодовых значений ставок прайм-рейт и EURIBOR (на срок до одного года) Э К О Н О М И К А
5 22 С.А. Полуяхтов, В.А. Белкин Представленные диаграммы наглядно и убедительно доказывают высокую степень синхронности изменения основных международных процентных ставок LIBOR и EURIBOR и ставки прайм-рейт. Таким образом, доказанная нами связь СА и прайм-рейт может быть распространена и на другие процентные ставки, в частности LIBOR и EURIBOR. На основе полученного результата, а также прогноза 24-го цикла СА (рис. 5) можно разработать прогноз значения ставки прайм-рейт. Следующий пик СА ожидается в гг., и, следовательно, можно ожидать роста ставки прайм-рейт вплоть до 2013 г., а в гг. нами прогнозируется очередной максимум данной ставки и последующий мировой финансовый кризис. Разумеется, фактическая активность Солнца в 24-ом цикле может отличаться от прогнозной, так как данные циклы несколько изменяются по длительности (9-11 лет). В этом случае произойдет некоторый соответствующий сдвиг во времени указанной даты следующего максимума прайм-рейт и мирового экономического кризиса. Рис. 5. Прогноз 24-го цикла солнечной активности На рис. 5 показано, что следующий минимум СА должен произойти примерно в 2020 году. Следовательно, примерно в 2018 г. произойдет очередной рост ставок процента, а затем в 2019 и 2020 гг. замедление темпов роста реального ВВП США или экономический кризис. Для того, чтобы дать более точный прогноз значения прайм-рейт в 2013 г., обратимся к теории волн Н. Кондратьева, на основе которой выделено 5 экономических циклов, длиной около лет : Âåñòíèê Òþìåíñêîãî ãîñóäàðñòâåííîãî óíèâåðñèòåòà ¹ 11
6 Кондратьевские циклы ставки процента цикл с 1790 до гг. 2 цикл с до гг. 3 цикл с до гг. 4 цикл с до гг. 5 цикл с Циклам Кондратьева подчиняются все основные макроэкономические показатели, в том числе и банковская процентная ставка прайм-рейт. При этом в момент окончания цикла ставка достигает своего максимального значения. В подтверждение нашей гипотезы проанализируем диаграмму, представленную на рис. 1. Она показывает, что предпоследний минимум экономических показателей мировой экономики был в 1982 г. и сопровождался максимумом банковской процентной ставки, который мы предлагаем назвать Кондратьевским максимумом ставки прайм-рейт (К-ставкой). До К-ставки наблюдался рост прайм-рейт, после снижение. Данные циклы мы предлагаем называть большими циклами ставки прайм-рейт. Согласно исследованиям японского ученого Симанака Юдзи, подтвержденным Японским центром экономических исследования (JERC) и опубликованным в The Wall Street Journal от г., один Кондратьевский цикл равняется пяти циклам СА, или 55 годам . Исходя из данной теории и того, что за период с 1982 г. по 2010 г. имели место два цикла СА, можно предположить, что 2010 г. является точкой перегиба большого цикла прайм-рейт и в дальнейшем будет наблюдаться ее рост. Следовательно, локальный максимум праймрейт в 2013 г. будет выше локального максимума данного показателя в 2009 г. и находиться примерно на уровне локального максимума 2000 года. Таким образом, ставка прайм-рейт в 2013 году достигнет своего промежуточного очередного максимума в среднесрочной перспективе на уровне 8-9%, что с высокой степенью вероятности повлечет очередной мировой финансовый кризис (рис. 6). Рис. 6. Кондратьевский цикл ставки прайм-рейт и ее прогноз до 2020 г. Э К О Н О М И К А
7 24 С.А. Полуяхтов, В.А. Белкин Аналогичным образом локальный максимум ставки прайм-рейт в 2018 г. будет выше локального максимума данного показателя в 2013 г., но ниже локального максимума данного показателя в 1989 г., то есть ее значение будет находиться примерно на уровне 10% (рис. 6). На основе того факта, что изменения прайм-рейт синхронны с изменениями по процентным ставкам LIBOR и EURIBOR, можно ожидать соответствующего роста данных ставок до уровня 6% и 5%, соответственно, в 2013 г. и ставку LIBOR на уровне 8,5% в 2018 году. Начиная с 2003 г., вследствие глобализации мировой экономики и высокой включенности экономики России в нее, произошла синхронизация ВВП США и ВВП России при более высокой волатильности российского ВВП. Следовательно, изменение ставки прайм-рейт неизбежно приводит к аналогичному изменению российской банковской процентной ставки по кредитам, поэтому к 2013 г. в России банковская процентная ставка по кредитам, выданным юридическим лицам сроком до 1 года, также вырастет до уровня 2000 г. и составит 18-20% годовых. Максимумы активности солнца будут и в дальнейшем приводить к росту российской банковской процентной ставки по кредитам и, соответственно, к очередному финансовому кризису. Полученный результат чрезвычайно важен не только для представителей власти, но и для всего экономически активного населения, так как на его основе можно принимать долгосрочные инвестиционные решения и объективно оценивать будущее развитие экономики страны. В качестве объяснения причины выявленной связи можно привести исследования великого отечественного ученого А. Чижевского, который утверждал, что психопатические эпидемии, панические настроения, массовые истерии, галлюцинации и т.д., а также модификация нервной возбудимости нервно-психического тонуса находятся в тесной связи с циклами СА . Циклические колебания указанных выше настроений пессимизма и оптимизма приводят к циклическим колебаниям величины платы за риск, которая учитывается в ставке процента, и к его циклическим колебаниям. Итак, в результате данного исследования: Выявлена высокая степень связи циклов СА и банковской процентной ставки на примере ставки прайм-рейт; Предложено ввести в научный оборот понятия Кондратьевского цикла банковской ставки (на примере ставки прайм-рейт) и Кондратьевского максимума (минимума) данной ставки; Разработан средне- и долгосрочный прогноз очередных максимумов ставки прайм-рейт и мировых финансовых кризисов; Показана высокая степень синхронности динамики ставок прайм-рейт, LIBOR, EURIBOR; Разработан среднесрочный прогноз очередных максимумов ставок LIBOR, EURIBOR и российской процентной ставки по кредитам в 2013 году. Âåñòíèê Òþìåíñêîãî ãîñóäàðñòâåííîãî óíèâåðñèòåòà ¹ 11
8 Кондратьевские циклы ставки процента Список литературы 1. Моисеев С. «О прогнозе процентной ставки» URL: post/124329/ 2. Белкин В. А. Взаимосвязь циклов солнечной активности и циклов основных макроэкономических показателей // Социально-экономическое развитие России в посткризисный период: национальные, региональные и корпоративные аспекты: сб. м-лов 27 междунар. науч.-практич. конференции Ч.1, Челябинск: УрСЭИ АТ и СО, С; 3. Статистические данные Центра анализа данных по влиянию Солнца (Бельгия) URL: 4. Данные сайта экономической статистики MORTGAGE-X URL: com 5. Данные сайта ItIsTimed URL: php 6. М-лы исследований NASA URL: solnechnyiy-prognoz/ 7. Коротаев А. В., Цирель С. В. Кондратьевские волны в мировой экономической динамике / Системный мониторинг. Глобальное и региональное развитие / Отв. ред. Д. А. Халтурина, А. В. Коротаев. М.: Либроком/URSS, C URL: cliodynamics.ru/download/m02korotayev_tsirel_kondratyevskie_volny.pdf 8. The Union of Intelligible Associations // Configuring: Transformative policy cycles (9. Чижевский А. Л. Земное эхо солнечных бурь. 2-е изд. М.: Мысль, с. Э К О Н О М И К А
Вестник Челябинского государственного университета. 2011. 6 (221). Экономика. Вып. 31. С. 39 43. ЦИКЛЫ СОЛНЕЧНОЙ АКТИВНОСТИ КАК ОСНОВА ЦИКЛОВ БАНКОВСКОЙ ПРОЦЕНТНОЙ СТАВКИ На обширном статистическом материале
Вестник Челябинского государственного университета. 1. (). Экономика. Вып. 3. С. 1. Большие циклы солнечной активности как основа больших циклов конъюнктуры Кондратьева Выявлена сильная связь больших циклов
Вестник Челябинского государственного университета. 2011. 36 (251). Экономика. Вып. 35. С. 23 27. РАЗВИТИЕ ТЕОРИИ ЦИКЛИЧЕСКИХ КОЛЕБАНИЙ ИНФЛЯЦИИ И БЕЗРАБОТИЦЫ НА ОСНОВЕ ИХ СВЯЗИ С ЦИКЛАМИ СОЛНЕЧНОЙ АКТИВНОСТИ
Владимир Алексеевич Белкин Челябинский филиал Института экономики УрО РАН ЦИКЛЫ ПРОМЫШЛЕННОГО ПРОИЗВОДСТВА РОССИИ И СОЛНЕЧНОЙ АКТИВНОСТИ: МЕХАНИЗМ И ФАКТЫ СИЛЬНОЙ ОБРАТНОЙ СВЯЗИ (1861 2013 гг.) В статье
УДК 336.71 ФАКТОРНЫЙ АНАЛИЗ УРОВНЯ МОНЕТИЗАЦИИ ЭКОНОМИКИ НА ОСНОВЕ ЭКОНОМИКО-СТАТИСТИЧЕСКИХ МОДЕЛЕЙ С. В. МИЩЕНКО, кандидат экономических наук, доцент кафедры финансов E-mail: s-mischenk@mail. ru Университет
Экономический кризис в россии глубже, чем в сша методика оценки последствий экономических кризисов Аннотация Как определить длительность и глубину экономических циклов и кризисов? Автор отвечает на этот
1.5 Макроэкономическая динамика. Инфляция. Теория экономических циклов 1.5.1 Инфляция долговременный процесс устойчивого роста общего уровня цен, приводящего к снижению покупательской способности денег.
Т. Горшкова, С. Дробышевский, М. Турунцева, М. Хромов Макроэкономический прогноз на 2017 2019 годы: рост не выше 1,0 1,5% Итоги 1-го полугодия 2017 г., с одной стороны, подкрепляют высказанные ранее предположения
Финансы, денежное обращение и кредит 247 Влияние процентной ставки на динамику структуры активов и пассивов коммерческих банков 2009 П.С. Бардаева Московский государственный университет им. М.В. Ломоносова
Гришина Е.Н., к.э.н., доцент кафедры ИТ и статистики, Вятская государственная сельскохозяйственная академия Россия, г. Киров Трусова Л.Н., к.э.н., доцент кафедры истории и философии Вятская государственная
В. Аверкиев, С. Дробышевский, М. Турунцева, М. Хромов Прогноз на 2016 2017 гг.: экономика входит в зону стабилизации Развитие ситуации в I кв. 2016 г., в частности снижение цен на нефть до минимального
ТЕЗИСЫ ДЛЯ ПРЕССЫ ПО ГЛАВЕ 3: МАКРОЭКОНОМИЧЕСКИЕ ПОСЛЕДСТВИЯ БЮДЖЕТНОЙ КОНСОЛИДАЦИИ БУДЕТ ЛИ БОЛЬНО? Перспективы развития мировой экономики, октябрь 2010 года Подготовили: Дэниел Ли (руководитель группы),
Аверкиев В., Дробышевский С., Турунцева М., Хромов М. Сценарный прогноз социально-экономического развития РФ в 2017 2018 гг. (Январь 2017) В III ах 2016 г. в экономике России началась фаза циклического
УДК 311.2:364.2 Капелюк С.Д., Сибирский университет потребительской кооперации, г. Новосибирск Экономико-статистические модели в прогнозировании уровня жизни населения Прогнозирование уровня жизни населения
42 Основы экономики, управления и права 5 (5) ФИНАНСЫ, ДЕНЕЖНОЕ ОБРАЩЕНИЕ И КРЕДИТ УДК 336.77:338.43 В.Н. Домрачев, Е.В. Скалецкая* СОВРЕМЕННЫЕ ТЕНДЕНЦИИ БАНКОВСКОГО КРЕДИТОВАНИЯ СЕЛЬСКОХОЗЯЙСТВЕННЫХ ПРЕДПРИЯТИЙ
3. ЭКОНОМИЧЕСКИЙ ЦИКЛ. БЕЗРАБОТИЦА ПОНЯТИЕ ЭКОНОМИЧЕСКОГО ЦИКЛА Экономический цикл- это периодически повторяющиеся на протяжении ряда лет подъёмы и спады в экономике. Экономический цикл- периодические
6. Татаркин, А. Структурная перестройка промышленности как элемент длинноволнового процесса / А. Татаркин, О. Романова, М. Филатова // Федерализм. 2. 4. 7. Кондратьев, В. Промышленная политика или политика
В. Аверкиев, С. Дробышевский, М. Турунцева, М. Хромов Сценарный прогноз социально-экономического развития РФ в 206 208 гг. (Июнь 206) Макроэкономический прогноз для наиболее вероятных сценариев в 206 208
16 О поведении медианы кондратьевских циклов Н. В. Митюков В статье проанализирована динамика изменения асимметрии кондратьевских циклов. Сделано предположение, что сами циклы подвержены гармоническим
ISSN 2079-8490 Электронное научное издание «Ученые заметки ТОГУ» 2017, Том 8, 3, С. 92 96 Свидетельство Эл ФС 77-39676 от 05.05.2010 http://pnu.edu.ru/ru/ejournal/about/ [email protected] УДК 378.147.091.3(571.6)
ПОЛУЯХТОВ СТАНИСЛАВ АНДРЕЕВИЧ ОСОБЕННОСТИ ЦИКЛИЧЕСКИХ КОЛЕБАНИЙ ССУДНОГО ПРОЦЕНТА В ЭКОНОМИЧЕСКИХ СИСТЕМАХ Специальности: 08.00.01-Экономическая теория (общая экономическая теория) АВТОРЕФЕРАТ диссертации
Ежемесячный аналитический обзор УРАЛСИБ Банк121 Июль 2011 2 Глобальный прогноз, позиционирование портфеля Июнь, как мы и предполагали в своем прошлом ежемесячном обзоре, стал еще одним месяцем снижения
1002 УДК 330.4 РАСЧЕТ ПОКАЗАТЕЛЕЙ ДИНАМИКИ РАЗВИТИЯ ЭКОНОМИЧЕСКИХ ПРОЦЕССОВ INDICATORS CALCULATION OF ECONOMIC PROCESSES DYNAMIC DEVELOPMENT Сударкина Е.С. Южно-Российский институт управления филиал Российской
УДК 33 Кузнецов С.А., старший преподаватель «Воронежский государственный лесотехнический университет им. Г.Ф. Морозова» Забудьков В.А., магистрант г. Воронеж, Россия «Воронежский государственный лесотехнический
37 УДК 336.71 ПРОГНОЗИРОВАНИЕ ВЕЛИЧИНЫ ОБЯЗАТЕЛЬНЫХ РЕЗЕРВОВ КОММЕРЧЕСКОГО БАНКА И.Д. Кузнецова Ивановский государственный химико-технологический университет Ю.Е. Пануева Ивановская государственная текстильная
Национальный банк Республики Беларусь МОНИТОРИНГ УСЛОВИЙ БАНКОВСКОГО КРЕДИТОВАНИЯ Аналитическое обозрение январь март Минск 2 В рамках осуществления Национальным банком анализа кредитного рынка проводится
УДК 365.282 Ноур М.В., студент, группа СТм-14 Попова И.В., доцент, к.э.н. ФГБОУ ВО «Пензенский государственный университет архитектуры и строительства», г.пенза, Россия ИССЛЕДОВАНИЕ ТЕНДЕНЦИЙ РАЗВИТИЯ
124 Т.А. Зеленина Т.А. Зеленина [email protected] УДК 519.8:336.77:005.334 Прогнозирование кредитного риска коммерческого банка АННОТАЦИЯ. В статье представлены результаты прогнозирования риска клиентского
УДК 336.69 ТЕНДЕНЦИИ РАЗВИТИЯ МИРОВОЙ ФИНАНСОВОЙ СИСТЕМЫ Белухин В.В., Харченко А.А. Негосударственное аккредитованное некоммерческое частное образовательное учреждение высшего образования «Академия маркетинга
Контрольная работа по «Макроэкономике» Методические рекомендации по подготовке контрольной работы для студентов 1. Вариант контрольной работы определяется последней цифрой студенческого билета (шифра)
УДК: 33(075.8) ЗАКОНОМЕРНОСТИ И СОВРЕМЕННЫЕ ТЕНДЕНЦИИ РАЗВИТИЯ МИРОВОГО ХОЗЯЙСТВА: ФАКТОРЫ, ОПРЕДЕЛЯЮЩИЕ ДИНАМИКУ И НАПРАВЛЕНИЕ ИННОВАЦИОННОГО РАЗВИТИЯ Алексей Васильевич Тебекин, д. т. н., д. э. н., проф.,
NovaInfo.Ru - 46, 2016 г. Экономические науки 1 ИНФЛЯЦИЯ: ПОНЯТИЕ, ВИДЫ И ДИНАМИКА. Ямурова Алия Рафисовна Инфляция - обесценение бумажных денег безналичных денежных средств, сопровождается ростом цен
Ставка ФРС Игра на повышение 07.12.2016 Федеральная резервная система США это независимое федеральное агентство, созданное в 1913 году в качестве регулятора банковской системы страны. Выполняет функции
Вестник Челябинского государственного университета. 213. 15 (36). Экономика. Вып. 41. С. 19 115. ЭКОНОМИКА ПРЕДПРИЯТИЯ МОДЕль эффективной фискальной политики государства Представлена разработка модели
УДК 334.723 Лямкин И.И., кандидат экономических наук, доцент заведующий кафедрой экономической теории и социально-политических отношений Кемеровский институт (филиал) ФГБОУ ВПО «РЭУ им. Г.В. Плеханова»
Крашенинников Н.В. ПРИЧИНЫ БАНКОВСКИХ КРИЗИСОВ В РОССИИ И ИХ ИДЕНТИФИКАЦИЯ НА РАННИХ СТАДИЯХ РАЗВИТИЯ Научный руководитель: доц., к.э.н. Шакер И.Е. В отечественной и зарубежной литературе представлено
МАЛЫЙ БИЗНЕС И ПРЕДПРИНИМАТЕЛЬСТВО А.А. Флешлер соискатель, слушатель ВШЭУиП, Забайкальский государственный университет ПРОБЛЕМЫ РАЗВИТИЯ МАЛОГО ПРЕДПРИНИМАТЕЛЬСТВА В АСПЕКТЕ НИЗКОГО УРОВНЯ ФИНАНСОВОГО
ЭФФЕКТИВНОСТЬ ДОЛГОВОЙ ПОЛИТИКИ РОССИЙСКОЙ ФЕДЕРАЦИИ:КРИТЕРИИ ОЦЕНКИ И ПЕРСПЕКТИВЫ Кокарев К.Н. Финансовый университет при Правительстве РФ г. Москва Научный руководитель к.э.н., доц. Сангинова Л. Д. Долговая
100%, темно-зеленая закраска), а также: Костромская, Магаданская и Ярославская области, Республики Адыгея, Удмуртия, Башкортостан (растут четыре из пяти секторов, индекс РЭА = 80%, светло-зеленая закраска).
Работу выполнил: студент факультета МЭО, группы М 3-4 МОЛИЙ Г.М., Научный руководитель: к.т.н,профессор НЕВЕЖИН В.П Финансовый Университет при Правительстве РФ, Москва АНАЛИЗ КРИВОЙ ФИЛЛИПСА ДЛЯ РОССИЙКОЙ
Макроэкономика: как зарождается волна кризиса? новая теория экономических циклов, кризисов и макроэкономического равновесия Аннотация Целью настоящего исследования явилось изучение причин и механизмов,
Монетарная концепция экономических циклов Как известно в модели Тевеса присутствует рынок денег, как и в модели Хикса Самуэльсона, В которых причиной конъюнктурных циклов выступают экзогенные изменения
Прогноз 2015 2016: хуже, чем ожидалось С. Дробышевский, В.Петренко, М. Турунцева, М. Хромов Показатели развития экономики РФ в 1-м полугодии 2015 г. и первые данные о динамике основных макроэкономических
УДК 336.02 ХАРАКТЕРИСТИКА ВЛИЯНИЯ ПОКАЗАТЕЛЕЙ ДЕНЕЖНО-КРЕДИТНОЙ СИСТЕМЫ НА ДИНАМИКУ ВВП Демина П.C. ведущий специалист учебно-методического центра АО Прогноз, Пермь, Россия Аннотация В статье характеризуются
УДК 550.343.6 О СВЯЗИ СИЛЬНЫХ (M W 7.5) ЗЕМЛЕТРЯСЕНИЙ КАМЧАТКИ С СОЛНЕЧНОЙ АКТИВНОСТЬЮ Серафимова Ю.К. Камчатский филиал Геофизической службы РАН, г. Петропавловск-Камчатский, [email protected] Введение
59 УДК 330.4:338.45(470.315) ПРОГНОЗИРОВАНИЕ ДИНАМИКИ ЭКОНОМИКИ ИВАНОВСКОЙ ОБЛАСТИ НА ДОЛГОСРОЧНУЮ ПЕРСПЕКТИВУ А.Н. Петров Ивановский государственный химико-технологический университет Проведен эконометрический
Макроэкономика ГОСУДАРСТВЕННЫЙ БЮДЖЕТ Татьяна ТИЩЕНКО, канд. экон. наук По данным Федерального казначейства, за первое полугодие текущего года доходы федерального бюджета продолжали расти и на конец периода
УТВЕРЖДЕНО Указ Президента Республики Беларусь 07.12.2009 591 ОСНОВНЫЕ НАПРАВЛЕНИЯ денежно-кредитной политики Республики Беларусь на 2010 год РАЗДЕЛ I ОСНОВНЫЕ ПОЛОЖЕНИЯ 1. Денежно-кредитная политика Республики
Инфляционные ожидания населения в мае-июне 2013 года Банк России представляет результаты очередной волны исследования инфляционных ожиданий, проведенного Фондом «Общественное Мнение» (ФОМ) по заказу Банка
Комментарии Консенсус-прогноз 1. Опрос профессиональных прогнозистов: Беларусь и Казахстан В начале мая 2014 а Институт «Центр развития» НИУ ВШЭ провел очередной Опрос профессиональных прогнозистов относительно
УДК 338.27 Шорова С.Н. студент 3 кур, факультет «Финансы и кредит» Россия, г. Краснодар Блохина И.М., кандидат экономических наук, доцент доцент кафедры «Финансов» Кубанский государственный аграрный университет
ФИНАНСОВАЯ СТАБИЛЬНОСТЬ НЕОБХОДИМАЯ ПРЕДПОСЫЛКА ОБЕСПЕЧЕНИЯ ЭКОНОМИЧЕСКОГО РОСТА: СРАВНИТЕЛЬНЫЙ АНАЛИЗ РИСКОВ РАЗВИВАЮЩИХСЯ РЫНКОВ Картавов И.В. Научный руководитель: к.э.н., доц. Матризаев Б.Д. Финансовый
А. А. СУХИХ, А. С. ДЕМИДОВ Юго-западный государственный университет Научный руководитель: к.э.н., доцент Третьякова И.Н. АНАЛИЗ ИНФЛЯЦИОННЫХ ПРОЦЕССОВ В РОССИИ (2009-2014 ГГ.) Аннотация В статье анализируются
УДК 35.073.515.2 Куразова Д.А., ассистент кафедры «Статистики и информационные системы в экономике» Чеченский государственный университет Россия, г. Грозный ПЕРСПЕКТИВЫ РАЗВИТИЯ СТРАХОВОГО РЫНКА В РОССИИ.
ТЕЗИСЫ ДЛЯ ПРЕССЫ ПО ГЛАВЕ 4 ПРИНИМАЮЩАЯ СТОРОНА? ВНЕШНИЕ УСЛОВИЯ И ЭКОНОМИЧЕСКИЙ РОСТ В СТРАНАХ С ФОРМИРУЮЩИМСЯ РЫНКОМ ДО, ВО ВРЕМЯ И ПОСЛЕ ГЛОБАЛЬНОГО ФИНАНСОВОГО КРИЗИСА Перспективы развития мировой
Бюджет 3. Консолидация региональных бюджетов в 2014 году, прогноз на 2015 год Сокращение темпов экономического роста с 3,4% в 2012 г. до 1,3% в 2013 г. и до 0,6% в 2014 г. не могло не сказаться на региональных
УДК 330.101.54 Геращенко Э.Р. студентка ФГБОУ ВО «Донской государственный технический университет» (ДГТУ), Митина И.А., к.э.н., доцент ФГБОУ ВО «Донской государственный технический университет» (ДГТУ),
УДК 336.7 Гильванов Т. И. студент гр.э31 экономико-математический факультет Нефтекамский филиал Башкирского Государственного Университета Исламов Ф.Ф., к.э.н., доцент Нефтекамский филиал Башкирского Государственного
Инфляция и процентные ставки в России Анализ изменения цен, действий ЦБ и условий кредитного рынка Укрепление рубля и текущая инфляция дают возможность ЦБ снизить ставку в марте на 0,25% В втором квартале
ТУРБУЛЕНТНОСТЬ НА МИРОВЫХ ФИНАНСОВЫХ РЫНКАХ: ПРИЧИНЫ И РИСКИ* Анна КИЮЦЕВСКАЯ, канд. экон. наук Павел ТРУНИН, канд. экон. наук В последние месяцы глобальная экономика столкнулась с усилением рисков, связанных
Николаенкова Мария Сергеевна студентка Прудникова Анна Анатольевна канд. экон. наук, доцент ФГОБУ ВО «Финансовый университет при Правительстве РФ» г. Москва МЕЖДУНАРОДНЫЙ ОПЫТ ПРИМЕНЕНИЯ ОТРИЦАТЕЛЬНОЙ
Дробышевский С.М. Петренко В.Д. Турунцева М.Ю. Хромов М.Ю. Прогноз развития российской экономики на 2015 2016 гг. Очевидно, что в 2015 г. Россия входит в период экономического спада, глубина и продолжительность
УДК 336 ЭКОНОМИЧЕСКИЕ НАУКИ Арцуев Абубакар Майрбекович, студент Финансового университета при Правительстве Российской Федерации Башыбюйюк Мухаммед Энес, студент Финансового университета при Правительстве
Обзор тенденций развития банковского сектора РФ: итоги 21 года Аналитический материал Март 211 Содержание Объем банковских активов вырос на 14,9%. Активы Сбербанка росли быстрее, чем у остальных российских
УДК 368(470.54) ключевые слова: страхование, региональный страховой рынок, плотность, проникновение, имитационное моделирование И. Ю. Ведмедь Анализ основных индикаторов развития страхового рынка Свердловской
Вышковский Геннадий Леонидович МЕТОДОЛОГИЯ ОПТИМАЛЬНОГО ВЫБОРА ФАЗ МАРКЕТИНГОВОГО ВОЗДЕЙСТВИЯ ПРИ МЕДИАПЛАНИРОВАНИИ КЛЮЧЕВЫЕ СЛОВА: медиапланирование, управление информационным спросом, фаза маркетингового
ДОКЛАД «О прогнозе социально-экономического развития Челябинской области на 2015 год и плановый период 2016 и 2017 годов» Слайд 2,3 Прогноз социально-экономического развития Челябинской области на трехлетний
- Специальность ВАК РФ08.00.13
- Количество страниц 149
ВВЕДЕНИЕ.
ГЛАВА 1. ПОРТФЕЛЬНОЕ ИНВЕСТИРОВАНИЕ. СОВРЕМЕННОЕ ПРЕДСТАВЛЕНИЕ И ПРОБЛЕМЫ.
Параграф 1.1. Инвесторы и их цели. Инвестиционные институты и процентные ставки.
1.1.1. Инвестиционные цели. Субъекты инвестиционной деятельности.
1.1.2. Этапы осуществления инвестиционной деятельности.
Параграф 1.2. Обзор ценных бумаг с фиксированным доходом.
1.2.1. Классификация ценных бумаг.
1.2.2. Бумаги, составляющие временную структуру процентных ставок.
Параграф 1.3. Обзор стратегий управления портфелем ценных бумаг с фиксированным доходом. Смещения процентных ставок. Стратегии иммунизации.
1.3.1. Стратегии структурирования портфеля.
1.3.2. Классификация стратегий управления активами.
1.3.3. Виды смещений временной структуры процентных ставок.
1.3.4. Проблемы непараллельных смещений. Принятые решения проблемы.
Параграф 1.4. Методы анализа и прогнозирования финансовых рынков. Инструментарий прогнозирования финансовых рынков.
1.4.1. Виды анализа финансовых рынков.
1.4.2. Выбор вида анализа для решения задачи прогнозирования типов смещений кривой доходности.
1.4.3. Использующиеся модели временной структуры процентных ставок.
1.4.4. Прогнозирование финансовых рынков на основе использования методов индукции правил и нейронных сетей.
1.4.5. Системы, основанные на методах индукции правил.
1.4.6. Нейронные сети.
1.4.7. Особенности прогнозирования финансовых рынков с использованием нейронных сетей.
1.4.8. Выбранный инструментарий прогнозирования.
Параграф 1.5. Факторы, определяющие временную структуру процентных ставок.
1.5.1. Экономические и неэкономические факторы, влияющие на изменение временной структуры процентных ставок.
1.5.2. Наклон кривой доходности. Модель Франкеля.
ГЛАВА 2. РАЗРАБОТКА МЕТОДИК УПРАВЛЕНИЯ ПОРТФЕЛЕМ ЦЕННЫХ БУМАГ С ФИКСИРОВАННЫМ ДОХОДОМ.
Параграф 2.1. Общие принципы построения нейронных сетей при решении задачи прогнозирования уровня процентной ставки и непараллельного смещения.
Параграф 2.2. Моделирование связи основных фундаментальных факторов и уровня процентных ставок.
Параграф 2.3. Моделирование структуры процентных ставок.
Параграф 2.4. Разработка методики иммунизации портфеля ценных бумаг с фиксированным доходом.
Параграф 2.5. Прогнозирование непараллельных смещений.
ГЛАВА 3. РАЗРАБОТКА АВТОМАТИЗИРОВАННОГО РАБОЧЕГО МЕСТА УПРАВЛЯЮЩЕГО ПОРТФЕЛЕМ ОБЛИГАЦИЙ.
ПараграфЗ.1. Концепция АРМ. Цели разработки АРМ.
Параграф 3.2. Технологическая архитектура АРМ.
Параграф 3.3. Функциональная структура АРМ.
3.3.1. Блок определения инвестиционных целей.
3.3.2. Блок подготовки информации о состоянии рынков и истории макроэкономических показателей.
3.3.3. Блок анализа данных о состоянии рынков и прогноза рынков.
3.3.4. Блок анализа текущей структуры портфеля, выбора инвестиционной стратегии и определения детальной структуры инвестиционного портфеля.
3.3.5. Блок оценки деятельности по управлению портфелем.
Параграф 3.4. Техническая и программная компонента АРМ.
Параграф 3.5. Нейронная сеть как компонент АРМ.
Параграф 3.6. Базовые регламенты и процедуры. Информационное обеспечение.
3.6.1. Регламент определения системы инвестиционных целей.
3.6.2. Регламент определения системы ограничений клиента/компании.
3.6.3. Регламент определения системы законодательных ограничений в отношении управления активами.
3.6.4. Регламент определения системы инфраструктурных ограничений.
3.6.5. Регламент информационно-аналитического обеспечения. Внешняя информация.
3.6.6. Регламент информационного обеспечения. Информация о структуре портфеля.
3.6.7. Регламенты разработки и сопровождения технологий.
3.6.8. Регламент формирования инвестиционной стратегии и определения детальной структуры портфеля.
3.6.9. Регламент оценки деятельности по управлению портфелем.
Параграф 3.7. Оценка эффективности функционирования АРМ.
Введение диссертации (часть автореферата) на тему "Модели и методы прогнозирования процентных ставок в информатизации управления ценными бумагами"
Эффективное управление капиталом является важнейшей задачей предприятий и частных лиц. Значимое место в системе регулирования, контроля, повышения эффективности деятельности по управлению активами занимает государство. В том числе, повышение уровня социальной защищенности населения является одной из приоритетных задач любого государства. Реформирование существующей системы пенсионного обеспечения, создание с этой целью системы негосударственного пенсионного обеспечения призвано решить эту задачу в части улучшения социальной защиты пенсионеров. Этот подход доминирует вследствие объективно более эффективной работы негосударственных предприятий.
Важнейшей задачей негосударственных пенсионных фондов является в свою очередь повышение эффективности управления активами в целях достижения максимальной доходности при допустимом уровне риска на инвестируемые средства вкладчиков фондов. Поскольку эти цели достигаются при использовании технологий получения фиксированного дохода, то наибольшую важность приобретают задачи создания, внедрения и повышения эффективности технологий управления ценными бумагами с фиксированным доходом.
Вследствие короткой еще пока истории российского финансового рынка с одной стороны и большого опыта, накопленного западными финансовыми институтами, с другой стороны наибольших успехов в управлении активами добиваются те финансовые менеджеры, которые рационально используют этот опыт, перенося в Россию западные технологии управления активами, но при этом учитывают особенности российской экономики, менталитета и др.
К важнейшим особенностям российского финансового рынка, наблюдаемым в течение последних пяти лет его работы, можно отнести: короткую историю;
Высокую подверженность влиянию внешних факторов (главный из которых - движение иностранного капитала);
Высокую степень влияния не формализуемых, и слабо прогнозируемых факторов;
Высокую изменчивость законодательной базы.
Эти особенности определяют некоторые проблемы анализа и прогноза финансовых рынков в РФ. Короткая история не позволяет адекватно обобщить и проанализировать пространство событий; неликвидный рынок позволяет одному крупному оператору случайным образом существенно влиять на ценовые уровни; изменчивость законодательства плохо прогнозируема и часто не соотносится с экономическими реалиями.
Поэтому применение большинства методов анализа и прогноза рынков ценных бумаг, в том числе и рынков ценных бумаг с фиксированным доходом, является практически невозможным. На неликвидных и слаболиквидных рынках, каким являлся до 1997 года и в 1998-1999 г. российский рынок ценных бумаг с фиксированным доходом, для целей среднесрочного прогнозирования невозможно применять ни классический технический анализ, ни классический фундаментальный факторный анализ из-за влияния имеющихся непрогнозируемых или слабо прогнозируемых факторов. Точность среднесрочного прогноза процентной ставки (на период больше 1 месяца) при прогнозировании с помощью наиболее современной технологии, основанной на использовании нейронных сетей, составляет менее 60%, что является неудовлетворительным показателем.
Понимая и принимая все обозначенные выше проблемы, присущие российскому финансовому рынку, правительство РФ постепенно законодательно либерализует деятельность внутренних финансовых институтов. Примером этого служит разрешение негосударственным пенсионным фондам размещать активы в высоконадежные инструменты западных финансовых рынков.
Поэтому анализ существующих технологий управления активами на западных финансовых рынках, выявление их недостатков, модифицирование этих технологий в целях повышения точности прогноза для дальнейшего применения на западных денежных рынках и рынках капитала, а также адаптации к российским условиям при улучшении инвестиционного климата является актуальнейшей современной задачей финансового менеджмента в России.
Несмотря на многообразие технологий, выработанных за многовековую историю западных финансовых рынков, в настоящее время продолжается развитие методов и теорий портфельного управления. Особенно мощный импульс развитию и совершенствованию технологий портфельного управления придал прорыв в области информационных технологий. Стал возможным факторный анализ больших объемов данных, основанных на использовании новейших технологий сбора, хранения и быстрой обработки данных; появление такого инструментария, как нейронные сети, сделало возможным выявление неочевидных закономерностей в экономике. Можно отметить, что и в настоящий момент развитие технологий управления активами существенно зависит от уровня развития информационных технологий. Поэтому, как и процесс совершенствования информационных технологий, процесс разработки новых технологий управления активами можно назвать непрерывным.
Необходимость совершенствования существующих инвестиционных технологий, моделей и методов прогнозирования в современных условиях и определило тему исследования, проводимого в работе.
Целью исследования является разработка моделей и методов прогнозирования процентных ставок и их применение в управлении портфелем ценных бумаг.
Целями разработки АРМ управляющего портфелем облигаций являются:
Повышение эффективности управления портфелями ценных бумаг с фиксированным доходом;
Повышение конкурентоспособности компании/фонда;
Формирование дерева возможных решений для управляющего портфелем облигаций на базе анализа всех типов инвестиционных стратегий;
Оценка эффективности реализации и возможность сравнения различных инвестиционных стратегий, в том числе классических и новейших;
Повышение квалификации управляющих портфелями активов.
Задачами исследования в соответствии с поставленной целью являются:
Исследование природы инвестиционных целей финансовых институтов и частных лиц;
Исследование типов ценных бумаг с фиксированным доходом, построение классификации ценных бумаг с фиксированным доходом;
Исследование и классификация инвестиционных стратегий управления портфелем ценных бумаг;
Определение принятых методов анализа и прогноза финансовых рынков;
Выявление факторов, влияющих в наибольшей степени на динамику процентных ставок, определение значимости этих факторов на базе использования нейросетевых технологий;
Моделирование структур процентных ставок;
Построение модели зависимости процентных ставок от значимых факторов на базе использования нейросетевых технологий;
Выявление рисков, сопутствующих применению технологий управления ценными бумагами с фиксированным доходом;
Разработка методик снижения рисков применения технологий управления ценными бумагами с фиксированным доходом;
Разработка и внедрение автоматизированного рабочего места (АРМ) управляющего портфелем облигаций;
Проведение оценки эффективности работы созданной системы управления портфелем ценных бумаг с фиксированным доходом.
Объектом исследования является рынок ценных бумаг с фиксированным доходом, эмитированных в долларах США. В работе исследуется динамика кривой доходности по обязательствам казначейства США (билеты, векселя и облигации казначейства США). Предметом исследования является задача эффективного управления портфелем ценных бумаг с фиксированным доходом.
Для проведения научного исследования в работе использовались методы статистического анализа, эмпирического исследования, численной оптимизации, методы теории нейронных сетей, методы решения минимаксных задач.
1. Технологии прогнозирования уровней процентных ставок с помощью определения функциональных зависимостей между ключевыми макроэкономическими факторами, их усредненными прошлыми значениями и ожиданиями инвесторов относительно уровней процентных ставок с использованием инструментария нейронных сетей;
2. Технологии анализа значимости факторов для прогнозирования процентных ставок с использованием линейных однослойных нейронных сетей;
3. Технологии прогнозирования типа смещения (параллельного или непараллельного) кривой доходности с использованием многофакторной модели зависимости типа смещения от макроэкономических показателей (Франкеля) и использованием инструментария нейронных сетей;
4. Методе определения возможности использования стратегий иммунизации портфеля с использованием критерия иммунизации портфеля; разработка критерия иммунизации портфеля;
5. Технологии определения структуры иммунизированного портфеля при иммунизации на любой период.
Практическая ценность работы заключается в том, что разработанный аппарат решения задач управления портфелем ценных бумаг с фиксированным доходом на практике используется управляющей компанией НПФ для прогнозирования одного из основных факторов, влияющих на российский рынок ценных бумаг - процентной ставки по облигациям казначейства США. Разработанные технологии могут быть задействованы при окончательном изменении законодательства о валютном контроле, после чего российским фондам можно будет российским фондам оперировать на международных рынках капитала. Эти технологии также могут быть адаптированы к российскому финансовому рынку после присвоения РФ инвестиционного рейтинга ведущими западными рейтинговыми агентствами, что будет означать приход новых инвесторов и капиталов и стабилизацию российского финансового рынка.
Необходимо отметить, что результаты, полученные в работе, могут быть использованы не только негосударственными пенсионными фондами, но также страховыми компаниями, инвестиционными компаниями, коммерческими банками а также частными инвесторами для целей управления портфелями ценных бумаг с фиксированным доходом.
Заключение диссертации по теме "Математические и инструментальные методы экономики", Шкрапкин, Алексей Вадимович
Заключение.
В диссертации разработаны эффективные информационные технологии управления портфелем ценных бумаг с фиксированным доходом. Эффективность доказана с помощью проведения тестирования на данных реального рынка.
В соответствии с поставленными целями исследования решены следующие задачи:
Проведено исследование природы инвестиционных целей инвестиционных институтов и частных лиц; выявлены типы инвестиционных целей в зависимости от различных типов инвесторов.
Проведено исследование типов ценных бумаг с фиксированным доходом, построена классификация ценных бумаг с фиксированным доходом; определены ценные бумаги, являющиеся объектом исследования;
Исследована существующая классификация инвестиционных стратегий управления портфелем ценных бумаг;
Выявлены и исследованы принятые методы анализа и прогноза финансовых рынков;
Выявлены риски, сопутствующие применению технологий управления ценными бумагами с фиксированным доходом;
Определены факторы, в наибольшей степени влияющие на динамику процентных ставок, произведен анализ значимости этих факторов на базе использования нейросетевых технологий;
Определены существующие модели временных структур процентных ставок; дополнена одна из существующих моделей, вследствие чего возросла точность аппроксимации;
Построена модель зависимости процентных ставок от значимых факторов на базе использования нейросетевых технологий;
Разработаны методики снижения рисков применения технологий управления ценными бумагами с фиксированным доходом на базе использования модифицированных стратегий иммунизации с защитой от смещения наклона;
Проведена разработка и внедрение автоматизированного рабочего места (АРМ) управляющего портфелем облигаций;
Проведены оценки экономической эффективности работы созданной системы управления портфелем ценных бумаг с фиксированным доходом.
Полученные результаты позволяют сделать вывод, что сделан еще один шаг в совершенствовании и разработке технологий управления портфелем активов с фиксированным доходом. Разработанные технологии позволят портфельным менеджерам Компании, использующей данные технологии, повысить эффективность управления активами.
Список литературы диссертационного исследования кандидат экономических наук Шкрапкин, Алексей Вадимович, 2000 год
1. Шарп У.Ф., Александер Г.Дж., Бэйли Дж.В. Инвестиции М. Инфра-М,1997.- 1024 с.
2. Frank J. Fabozzi Bond markets, analysis and strategies Prentice Hall, 1996.595 c.
3. Frank J. Fabozzi, Franco Modigliani, Capital Markets: Institutions and instruments- Prentice Hall, 1992
4. Frank J. Fabozzi Bond markets, analysis and participants Prentice Hall, 1994
5. F.M.Reddington Review of the principle of life office valuation Journal of institute of actuaries, 1952
6. G.O. Bierwag, George K. Kaufman, Alden Toevs Immunization strategies for funding multiple liabilities Journal of financial and quantitative analysis, 1983
7. Fong and Vasicek A risk minimizing strategy for multiple liability immunization -Journal of portfolio management, Spring 1987
8. Frank J.Jones Yield curve strategies Journal of fixed income, 1 - 1991
9. Robert R. Reitano A multivariate approach to immunization theory Acturial research clearing house, 1990
10. Robert R. Reitano Non-parallel yield curve shifts and immunization Journal of portfolio management, Spring 1992
11. J.A.Frankel Financial markets and monetary policy, MIT Press, Cambridge, 1995
12. I.T.Nabney P.G.Jenkins Rule induction in finance and marketing Conference on data mining in finance and marketing, 1992
13. G.Cybenko Approximation by superposition of a sigmoidal function Math. Control, signals and systems, 1989
14. C.Dunis Forecasting financial markets John Wiley"&Sons, 1997
15. J.M. Keynes The general theory of employment, interest and money Macmillan, London, 1936
16. W.Phoa Advanced fixed income analytics FJF, 1998
17. Горбань А.Н. Обучение нейронных сетей. Москва. СП Параграф. 1990. - 160 с.18.2-ая Всероссийская научно-техническая конференция "Нейроинформатика-2000". Сборник научных трудов. В 2-ч частях. М.: МИФИ, 2000. 284 с.
18. N. Anderson, F.Breedon Estimating and interpreting the yield curve Wiley, 1997 220 c.
19. Дж. В.Смит, Е.В.Кузнецова, Финансовое управление компанией Правовая культура, 1995 383 с.
20. Д.-Э. Бэстенс, В.-М. Ван ден берг, Д.Вуд Нейронный сети и финансовые рынки, Финансовая и страховая математика 1997 236 с.
21. Vasicek and Beyond Approaches to building and applying interest rate models -Financial Engineering ltd., 1996 367c.
22. G.O.Bierwag, Duration Analysis: Managing interest rate risk. Cambridge, MA: Ballinger Publishing Company, 1987
23. G.C. Kaufman Measuring and Managing interest rate risk: A Primer. Economic Perspective, Federal Reserve Bank of Chicago 1-2 1984
24. R.Litterman, J.Scheinkman Common factors affecting bond returns, Journal of fixed income, 6-1991
25. R.E. Dattatreya, F.J.Fabozzi Active total return management of fixed income portfolios, Probus Publishing, 1989
26. F.Modigliani, R.J.Shiller, Inflation, rational expectations and the term structure of interest rates, Econometrica, 1973
27. Т.Е. Messmore The duration of surplus. Journal of portfolio management, Winter 1990
28. Ф.Дж.Фабоззи Управление инвестициями, Инфра-М, 2000
29. K.J.Cohen, R.L.Kramer,W.H. Waugh Regression yield curves for US government securities, Management science, 14, 1966
30. W.T.Carleton, I.A.Cooper, Estimation and uses of the term structure of interest rates, Journal of finance, 4, 1976
31. De Boor, A practical guide to splines, Springer-Verlag, New York 1978
32. D.I.Meiselman The term structure of interest rates, Prentice hall, 1962
33. G.S.Shea, Interest rate term structure estimation with exponential splines: a note, Journal of finance, 1, 1985
34. A. Buhler, H.Zimmermann A statistical analysis of the term structure of interest rates in Switzerland and Germany. Journal of fixed income 12-1996.
35. A. Beja State preference and the riskless interest rate: a Markov model of capital markets. Review of economic studies 46, 1979
36. Шкрапкин A.B. Общие стратегии управления портфелем активов. Активные, пассивные и пассивно-активные портфельные стратегии./ Материалы научной конференции "Реформы в России и проблемы управления-97", вып.З М.: ГАУ 1997.
37. Шкрапкин А.В. Стратегии структурирования портфеля. / Рынок ценных бумаг, 2000, №19.
38. Шкрапкин А.В. Подходы к прогнозированию процентных ставок с использованием инструментария нейронных сетей. / Банковские технологии, 2000, №12.
Обратите внимание, представленные выше научные тексты размещены для ознакомления и получены посредством распознавания оригинальных текстов диссертаций (OCR). В связи с чем, в них могут содержаться ошибки, связанные с несовершенством алгоритмов распознавания. В PDF файлах диссертаций и авторефератов, которые мы доставляем, подобных ошибок нет.
Для моделирования уровней процентных ставок в статистике используют различные типы уравнений, в том числе полиномы разных степеней, экспоненты, логические кривые и прочие виды функций.
При моделировании уровней процентных ставок основной задачей является подбор типа функций, которая максимально точно описывает тенденцию развития изучаемого показателя. Механизм определения функции аналогичен выбору типа уравнения при построении трендовых моделей. На практике для решения этой задачи используются следующие правила.
1) Если ряд динамики имеет тенденцию к монотонному возрастанию или убыванию, то целесообразно использовать следующие функции: линейную, параболическую, степенную, показательную, гиперболическую или комбинацию этих видов.
2) Если ряд имеет тенденцию к быстрому развитию показателя в начале периода и спаду к концу периода, то целесообразно применять логистические кривые.
3) Если ряд динамики характеризуется наличием экстремальных значений, то в качестве модели целесообразно выбрать один из вариантов кривой Гомперца.
В процессе моделирования уровней процентных ставок большое значение уделяется тщательному подбору типа аналитической функции. Это объясняется тем, что точное характеристика выявленной в прошлом закономерности развития показателя определяет достоверность прогноза его развития в перспективе.
Теоретической основой статистических методов, используемых в прогнозировании, является свойство инерционности показателей, которое основывается на предположении о том, что закономерность развития, существующая в прошлом, сохраниться и в прогнозируемом будущем. Основным статистическим методом прогнозирования является экстраполяция данных. Выделяют два типа экстраполяции: перспективную, проводимую в будущее, и ретроспективную, проводимую в прошлое.
Экстраполяцию следует оценивать как первую ступень построения окончательных прогнозов. При ее применении необходимо учитывать все известные факторы и гипотезы относительно изучаемого показателя. Кроме того, следует учесть, что чем короче период экстраполяции, тем более точный прогноз можно получить.
В общем виде экстраполяцию можно описать следующей функцией:
y i + T = ƒ (y i , Т, а n), (26)
где y i + T – прогнозируемый уровень;
y i – текущий уровень прогнозируемого ряда;
Т – период экстраполяции;
а n – параметр уравнения тренда.
Пример 3´´. На основе данных примера 3 произведем экстраполяцию на I полугодие 2001 г. Уравнение тренда выглядит следующим образом: y^ t =10,1-1,04t.
y 8 = 10,1-1,04*8 = 1,78;
y 9 = 10,1-1,04*9 = 0,78.
В результате экстраполяции данных мы получаем точечные значения прогноза. Совпадение фактических данных будущих периодов и данных, полученных при экстраполяции маловероятно по следующим причинам: использованная при прогнозировании функция не является единственной для описания развития явления; прогноз осуществляется с использованием ограниченной информационной базы, и случайные компоненты, присущие уровням исходных данных, повлияли на результат прогноза; непредвиденные события в политической и экономической жизни общества в будущем могут существенно изменить прогнозируемую тенденцию развития изучаемого показателя.
В связи с тем, что любой прогноз носит соотносительный и приближенный характер, при экстраполяции уровней процентных ставок целесообразно определять границы доверительных интервалов прогноза для каждого значения y i + T . Границы доверительного интервала покажут амплитуду колебаний фактических данных будущего периода от прогнозируемых. В общем виде границы доверительных интервалов можно определить по следующей формуле:
y t ±t α *σ yt , (27)
где y t – прогнозируемое значение уровня;
t α – доверительная величина, определяемая на основе t-критерия Стъюдента;
σ yt – среднеквадратическая ошибка тренда.
Кроме экстраполяции на основе выравнивания рядов по аналитической функции прогноз можно осуществлять методом экстраполяции на основе среднего абсолютного прироста и среднего темпа роста.
Использование первого метода основано на предположении, что общая тенденция развития уровней процентных ставок выражена линейной функцией, т.е. имеет место равномерное изменение показателя. Для определения прогнозируемого уровня ссудных процентов на любую дату t следует рассчитать средний абсолютный прирост и последовательно суммировать его последним уровнем ряда динамики столько раз, на сколько периодов времени экстраполируется ряд.
y i + T = y i + ∆¯*t, (28)
где i – последний уровень исследуемого периода, за который рассчитан ∆¯;
t – срок прогноза;
∆¯ - средний абсолютный прирост.
Второй метод применяется в том случае, если предполагается, что общая тенденция развития определяется показательной функцией. Прогнозирование осуществляется путем расчета среднего коэффициента роста, возведенного в степень, равную периоду экстраполяции.
Загрузка...
