назад Оглавление вперед


[Старт] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [ 14 ] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71] [72] [73] [74] [75] [76]


14

где каждая ценная бумага характеризуется к чувствительностями, по одной на каждый из к факторов.

Уравнение (11.17) может содержать как факторы, так и сектор-факторы. Например, и F, могут обозначать ВВП и инфляцию, как в табл. 11.1, тогда как и F могут представлять доходности промышленных и непромышленных акций соответственно. Следовательно, акции каждого типа имели бы три чувствительности; Ь., Ь., Ь. для промышленных и b., Ь. и Ь. для непромышленных акций".

Оценки факторных моделей

Хотя для оценок факторных моделей используется много методов, все они могут быть отнесены к трем основным группам;

1.Методы временных рядов.

2.Методы пространственной выборки.

3.Методы факторного анализа.

11.4.1 Методы временных рядов

Методы временных рядов, возможно, являются наиболее интуитивно понятными для инвесторов". Построение модели начинается с предположения о том, что инвестор заранее знает, какие факторы влияют на доходность ценных бумаг. Идентификация соответствующих факторов обычно происходит на основе экономического анализа фирм, включаемых в модель. При этом главную роль играют аспекты макроэкономики, микроэкономики, организации промышленности и фундаментальный анализ ценных бумаг

Например, как обсуждалось ранее, можно ожидать, что некоторые макроэкономические переменные очень значительно влияют на доходность ценных бумаг К ним относятся, в частности, ожидаемый темп прироста ВВП, инфляция, процентные ставки и цены на нефть. После выбора таких факторов следующий шаг при построении модели состоит в сборе информации об их значениях и доходности ценных бумаг от периода к периоду Затем полученные данные используются для вычисления чувствительности доходностей к факторам, нулевых факторов и собственной доходности ценных бумаг а также стандартных отклонений факторов и их корреляций. В этом подходе решающим моментом является точное измерение значений факторов. На практике это может оказаться довольно трудным.

КЛЮЧЕВЫЕ ПРИМЕРЫ И ПОНЯТИЯ

Многофтториая модепь ВАЙЙА для ценных бумаг США

Для профессиональных инвесторов, заин-

герес11В<1Нны\ п каппссгвеннои сюроне .le.ia. мн11Г1фак11)р1н,1е модели яиляк.гсн интуитивно привлекательным методом анализа. Они в точном и легко проверяемом виде учитывают сущность фундаментальных экономических и финансовых сил, влияющих на доходности ценных бумаг Однако переход от абстрактных рассуждений к разработке факторных моделей, которые были бы достаточно всесторонними и мощными для обслуживания разнообразных потребностей

институциональных инвесторов, является сложной задачей. Беглый обзор многофакторной модели BARRA яля ценных бумаг США дает представление о сложностях строительства факторных моделей.

Модель BARiRA основана на работе Барра Розенберга, специалиста по эконометрике в области финансов, В начале 1970-х гг., работая в Университете шт Калифорния w Беркли, он и Виней Марат сформулировали сложную факторную модель. Эта модель связывала доходности акций с множеством фак-



торов, полученных из данных по деловым операциям соответствующих компаний.

Розенберг не является академиком, уединившимся в «башне из слоновой кости». Вместо того чтобы удовлетвориться опубликованием своих результатов и признанием со стороны коллег, он понял, что его модель может иметь коммерческое применение. Он основал фирму, которая теперь называется BARRA, с целью развития модели и ее продажи институциональным инвесторам.

Как модель, так и фирма оказались успешнее, чем кто-либо мог себе представить. BARRA выросла во всемирную консалтинговую организацию с ежегодным доходом, превышающим $40 млн. Ее акции открыто продаются и покупаются, и размер их рыночной капитализации составляет сегодня более $50 млн. Хотя Розенберг покинул фир.му в 1985 г., следуя своим собственным амбициям в области управления инвестициями, BARRA тем не .менее продолжала совершенствовать свои достижения в области факторных моделей, конструируя дополнительные факторные модели для глобального рынка ценных бумаг и различных зарубежных фондовых рынков.

Первоначальная многофакторная модель Розенберга для ценных бумаг США была существенно пересмотрена в 1982 г., и теперь ее называют моделью £2. В настоящее время 630 институциональных инвесторов (из них более 50% за пределами США) являются подписчиками службы модели £2. Спектр этих инвесторов простирается от крупных инвестиционных менеджеров до пенсионных фондов, и в совокупности они управляют активами стоимостью более чем $1 трлн. на фондовом рынке США.

Все факторные модели основаны на предположении, что ценные бумаги, испытывающие сходное воздействие со стороны определенных факторов, будут обладать сходным инвестиционным поведением. При построении факторных моделей необходимо перевести эту основную идею на практический язык. Процесс конструирования факторных моделей далек от точной науки. Хотя некоторые статистические тесты и могут применяться для измерения способности конкретной факторной модели объяснять наблюдаемые явления, при построении модели все же остается большая свобода для включения или исключения из рассмотрения потенциальных факторов.

Для иллюстрации сказанного рассмотрим, как BARRA строила модель £2. Весь процесс, который привел к построению этой модели, можно разделить на пять шагов:

1.Сбор данных и проверка.

2.Выбор факторов,

3.Создание составных факторов.

4.Получение оценок для доходностей по факторам и ковариационной матрицы факторов.

5.Проверка модели.

Построение модели £2 началось со сбора соответствующих данных о ценных бумагах. BARRA собрала информацию о месячных компонентах доходностей, таких, как цены, дивиденды и объем размещенных акций, для 1400 обыкновенных акций компаний с наибольшим размером капитализации («пространство оценок НКАР») за протяженный отрезок времени. BARRA также собрала обширный массив информации из доходных и балансовых ведомостей соответствующих компаний. Эти финансовые данные в основно.ч были взяты из годовых и квартальных финансовых отчетов компаний.

Частью процесса сбора информации была проверка качества данных. Хотя эта проверка могла бы показаться банальным делом, она являлась критическим шагом, поскольку небольшое количество плохих данных может непропорционально отразиться на точности факторной модели.

На втором этапе происходил отбор факторов. Буквально сотни потенциальных факторов были доступны для включения в модель. BARRA поставила цель выделить такие факторы, которые имели бы всеобъемлющее влияние на доходности и риски отдельных ценных бумаг. На основе данных о доходностях за прошедшее время BARRA выделила 70 рыночных факторов, фигурирующих в декларациях о до.кодах и балансовых ведомостях, которые продемонстрировали наличие статистически значимых связей с курсами ценных бумаг,

BARRA отобрала конкретные факторы -от очевидных до совершенно новых, В качестве примеров можно назвать коэффициент «бета» для компании за прошедший период, общепризнанный прогноз относительно роста ее доходов, изменчивость ее доходов в прошлом, отношение долгов к актива.м, число аналитиков по ценным бу%4агам, обрабатывающих данные по ее акциям, и долю операционных доходов компании, полученных за счет зарубежных источников.



Третий этап построения модели £2 состоял в создании набора составных факторов на основе 70 отдельных исходных факторов. BARRA использовала 13 составных факторов; изменчивость рынков, успех, размер, торговая активность, рост, отношение дохода к цене, отношение балансовой стоимости к цене, вариация доходов, финансовый рычаг, зарубежные доходы, интенсивность труда, доходность и низкая капитализация. Отдельные факторы были отнесены к сложным факторам с определенным весом наоснове как здравого смысла, так и статистического анализа,

Эти составные факторы создавались в основном по причине статистического удобства. Как уже указывалось в тексте, при построении факторной модели необходимо оценить дисперсию каждого фактора и ковариации всех факторов. С ростом числа факторов растет число дисперсий и ковариации. Следовательно, вместо необходимости вычислять дисперсии и ковариации для десятков факторов BARRA существенно упростила задачу, объединив отдельные факторы в небольшое число составных факторов,

К этим 13 составным факторам BARRA добавила 55 промышленных факторов. (В модели Е1 на основе анализа продаж, прибыли и активов компании ее ценная бумага может быть отнесена к шести отраслям, при этом доли этих отраслей в сумме дают I.) Таким образом, в конечной форме факторная модель £2, разработанная фирмой BARRA, содержит 68 фундаментальных и промышленных факторов.

На четвертом этапе производилась оценка доходности по каждому из этих 68 факторов и разрабатывались прогнозы для нефакторных рисков. Исходя из данных по доходности в пространстве оценок юдeли, для каждого месяца в пределах пробного временного интервала BARRA эффективно оценила доходности 68 портфелей, каждый из которых имел единичную чувствительность по отношению к некоторому конкретному фактору и нулевые чувствительности относительно остальных 67 факторов. Доходности таких портфелей представляли .месячные доходности по соответствующим факторам. На этом этапе была построена .модель для предсказания нефакторного риска, позволяющая вычислить ковариационную матрицу для 68 факторов.

На следующем этапе проводилась проверка работы модели £2. BARRA интересовалась, насколько эффективными были ее предсказания рисков ценных бумаг вне пределов пробного интервала. Избегая специальной статистической терминологии, мож-

но сказать, что BARRA убедилась в том, что модель работает хорошо.

Модель £2 применяется институциональными инвесторами в разнообразных ситуациях. Инвестиционные менеджеры используют эту модельдля предсказания из.мен-чивостй в доходности их портфелей, как в абсолютном выражении, так и относительно рыночного эталона. Модель позволяет менеджерам разделить предсказываемый таким образом риск на факторные и нефакторные компоненты, В результате менеджеры могут на основе этой информации судить о соотношении между ожидаемым вознафаждением и прогнозируемым риском для конкретных стратегий управления портфелем.

Менеджеры и их клиенты также используют модель £2 для факторного анализа (см. гл. 25). В этом случае аналитик использует модель для вычисления влияния разных факторов на данный портфель за отчетный период. Затем, с по.мощью вычисленных BARRA доходностей по факторам определяется вклад каждого из факторов в полную доходность портфеля. Наконец, сравнение значений факторов для портфеля и их вкладов в доходности с соответствующим эталоном дает ключ к разгадке успеха или провала стратегий менеджера.

Институциональные инвесторы также использ>тот модель £2 для того, чтобы характеризовать инвестиционные стили их менеджеров. Сходные стили инвестиционного поведения имеют тенденцию давать сходные значения факторов модели £2. Например, менеджеры, предпочитающие большой рост капитализации, обычно и.меют большие значения факторов, характеризующих размер и рост, но низкие значения соотношения балансовой стоимости и цены. Анализируя с помощью модели £2 ряды доходностей в прошлом для различных портфелей, клиент может идентифицировать инвестиционный стиль своих действующих и потенциальных менеджеров. Это помогает при оценке работы и структуры менеджмента (см. гл. 24 и 25).

Многофакторная модель BARRA для ценных бумаг США оказала влияние на строгость и сложность, с которой институциональные инвесторы подходят к задаче управления большими пакетами обыкновенных акций в США. Возможно, наиболее впечатляющим свидетельством эффективности и жизнеспособности модели является то обстоятельство, что никакая другая альтернативная модель не приобрела столь широкого признания, как модель £2.

[Старт] [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [ 14 ] [15] [16] [17] [18] [19] [20] [21] [22] [23] [24] [25] [26] [27] [28] [29] [30] [31] [32] [33] [34] [35] [36] [37] [38] [39] [40] [41] [42] [43] [44] [45] [46] [47] [48] [49] [50] [51] [52] [53] [54] [55] [56] [57] [58] [59] [60] [61] [62] [63] [64] [65] [66] [67] [68] [69] [70] [71] [72] [73] [74] [75] [76]