Эмпирическое исследование модели CAPM и применение финансовых стратегий на российском фондовом рынке

Такая процедура алгоритма формирования портфеля финансовых инвестиций позволяет найти все оптимальные по Парето варианты портфеля инвестиций на основе имеющихся наблюдений по динамике доходности и риска финансовых активов, включаемых в портфель. Основным преимуществом алгоритма является заложенный в его основу механизм направленного поиска, позволяющий не рассматривать основную массу заведомо неэффективных вариантов портфелей.

В условиях высокой волатильности отечественного фондового рынка важной проблемой для инвестора при поиске оптимального портфеля является учет уровня риска при оптимизации состава портфеля. Решение этой проблемы, для инвестора избегающего риска, возможно на основе метода рисковой стоимости, максимизирующего наименьшую стоимость портфеля на конец периода владения портфелем.

2.2 Выбор параметров и ценных бумаг для анализа

Портфель ценных бумаг (в частности, акций) представляет собой «набор инвестиционных инструментов, собранных для достижения общей инвестиционной цели» (Гитман Л. Дж., Джонк М. Д., 1997, с. 800). К возможным инвестиционным целям относятся рост в долгосрочной перспективе стоимости входящих в портфель активов, получение текущего стабильного дохода в виде дивидендов, процентных платежей и т. д. В любом случае, какими бы ни были частные цели, общим для всех портфельных инвесторов является стремление достичь ожидаемой доходности при возможно более низкой степени риска.

Указанная общая цель достигается путем тщательного подбора финансовых инструментов и формирования на этой основе диверсифицированного инвестиционного портфеля. Такой подход позволяет придать совокупности финансовых активов такие инвестиционные характеристики, которые недостижимы с позиции отдельно взятого вида ценной бумаги, но возможны только при комбинировании этих активов.

В теории и практике формирования и управления портфелем ценных бумаг существуют традиционный и современный подходы.

Традиционный подход основывается на фундаментальном и техническом анализах — анализах общего положения дел в экономике и отраслях, финансового положения эмитента, курсовой динамики, а также оценках потока дивидендов, рыночной стоимости актива и т. д. При этом акцент делается на широкую отраслевую диверсификацию ценных бумаг. В основном приобретаются бумаги известных компаний, имеющих хорошие производственные и финансовые показатели.

Основоположниками западной теории фундаментального анализа принято считать Бенджамина Грэма и Дэвида Додда, которые в 1934 г. опубликовали книгу «Анализ ценных бумаг» .

Полный фундаментальный анализ проводится в последовательности «анализ макроэкономических факторов — анализ отраслевых факторов — анализ микроэкономических факторов». Такая последовательность анализа указанных факторов позволяет:

прежде всего выяснить, насколько общая ситуация благоприятна для инвестирования;

определить основные факторы, детерминирующие соответствующую ситуацию;

определить сферы рынка ценных бумаг, которые в сложившихся общеэкономических условиях наиболее благоприятны для размещения средств с точки зрения выбранных инвестиционных целей и приоритетов;

решить вопрос о том, какие фондовые инструменты, обращающиеся на рынке, являются наиболее привлекательными.

Центральная часть фундаментального анализа — изучение производственной ситуации и финансового положения компании-эмитента. Анализ отчетности и расчет финансовых коэффициентов позволяют выявить и неверно оцененные рынком бумаги, что порой может привести к решению о включении этих бумаг в портфель. Инструментарием фундаментального анализа являются многочисленные финансовые показатели (коэффициенты), позволяющие оценить инвестиционную привлекательность эмитента. В отечественной и зарубежной литературе (16, с. 382) представлены развернутые методики коэффициентного анализа финансового состояния организации. Они базируются на данных бухгалтерского и статистического учета и отчетности компании. В качестве основных источников информации для анализа могут быть, в частности, использованы: публикуемые финансовые отчеты компании (скажем, баланс организации, отчет о прибылях и убытках); сведения, сообщаемые в публичных выступлениях руководителей компании; аналитические публикации в прессе и других печатных изданиях; информация, содержащаяся на веб-сайтах эмитентов.

В российской действительности при оценке компании — эмитента ценных бумаг использование в полном объеме всей системы финансовых коэффициентов, несмотря на несомненные достоинства такого подхода, затруднено, а часто и невозможно. Это объясняется тем, что инвестор может реально рассчитывать только на публикуемую эмитентом отчетность. Что же касается уровня раскрытия финансовой информации, необходимой для принятия инвестиционных решений, то согласно данным исследования, проведенного компанией «Standard&Poor's» (Standard&Poor's, 2007, с. 52), уровень информационной прозрачности, рассчитанный для 80 крупнейших публичных российских компаний, составляет примерно 55% от уровня, достаточного для раскрытия значимой корпоративной информации. В то же время, как отмечают сами авторы исследования, представленная выборка может быть нерепрезентативна с точки зрения всей совокупности публичных компаний в России, ибо, по их мнению, прозрачность по этим 80 компаниям, включенным в исследование, заведомо выше, чем была бы по всем публичным компаниям.

Согласно данным анализа финансовая прозрачность российских компаний оценена в 57%, раскрытие информации о структуре собственности и методах работы совета директоров и руководства компании — в 55% и 50% соответственно. Эти цифры подтверждают тезис о затруднительности использования методов фундаментального анализа в условиях современной российской практики.

Технический анализ — это изучение состояния фондового рынка. Некоторые его методы (например, графики «японские свечи») уходят корнями в XVIII в. Однако универсальные принципы технического анализа были сформулированы Чарльзом Генри Доу в конце 1890-х гг. и опубликованы на страницах журнала «Wall Street Journal», а также, уже после его смерти, в книге Сэма Нельсона «Азбука спекуляций на фондовом рынке» (S.A. Nelson, 1903), в 1903 г., то есть когда еще не существовало отраслевого анализа и анализа финансового состояния эмитента, а единственным объектом изучения был рынок акций как таковой.

Существует мнение, что анализ рынка ценных бумаг целесообразно проводить до фундаментального анализа акций. Этой точке зрения есть простое объяснение — подобный подход прост, не требует значительных затрат и может быть осуществлен на основании информации, находящейся в свободном доступе. Источниками исходной информации при этом могут служить, в частности, агентства, специализирующиеся на поставке экономической информации (например, Bloomberg, Reuters и российские «Рос

БизнесКонсалтинг", «РИА Новости»), а также сами биржи (система «РТС» и «ММВБ»).

В арсенале инструментов технического анализа присутствуют графические методы, методы, базирующиеся на использовании технических индикаторов и различных видов статистических данных.

Несмотря на очевидные плюсы технического анализа (простота, наглядность, универсальность — применимость методов технического анализа к ценам всех типов [на товары, валюты, индексы, производные инструменты] и к любым временным периодам), существуют некоторые затруднения в его применении на рынке российских акций. Это связано, в частности, с отсутствием непрерывной исторической базы торгов по отдельным бумагам, что может влиять на достоверность прогнозов, полученных методами технического анализа. Кроме того, на мой взгляд, методы технического анализа более эффективны при управлении портфелем, нежели на стадии его формирования, когда принимается решение о включении тех или иных бумаг в его состав.

Развитие широкого и эффективного рынка, статистической базы, а также быстрый прогресс в области вычислительной техники привели к возникновению современной теории и практики управления портфелем финансовых инструментов. Современная портфельная теория использует различные статистические методы и показатели, такие, в частности, как ожидаемые риск и доходность, корреляция доходности одной ценной бумаги с доходностью другой или с рынком в целом. Согласно этому подходу при выборе составляющих портфеля ключевую роль играет статистическая диверсификация.

Для решения сформулированной выше задачи в условиях российского рынка ценных бумаг было отобрано 50 видов бумаг российских компаний (см. таблицу 2.1), используемых для построения индекса Российской торговой системы (далее — РТС).

Таблица 2.1

Характеристики акций 50 российских компаний-эмитентов

№ Код Наименование Количествовыпущенныхакций Коэффициент, учитывающийfree-float (Wi) Коэффициент, ограничивающийвес акции (Ci) Вес акции по сост. на 26.

02.2010

Источник данныхRTS Standard 1 AFKS ОАО АФК Система, ао 9 650 000 000 5% 1 0,29% 2 AFLT ОАО Аэрофлот, ао 1 110 616 299 20% 1 0,26% 3 AKRN ОАО Акрон, ао 47 687 600 20% 1 0,22% 4 AVAZ ОАО Автоваз, ао 1 388 289 720 20% 1 0,09% 5 BANE ОАО Башнефть, ао 170 169 754 10% 1 0,32% 6 CHMFS ОАО Северсталь, ао 1 007 701 355 15% 1 1,18% * 7 ENCO ОАО Сибирьтелеком, ао 12 011 401 829 40% 1 0,18% 8 ESMO ОАО Центр

Телеком, ао 1 578 006 833 35% 1 0,27% 9 FEESS ОАО ФСК ЕЭС, ао 1 233 561 333 552 20% 1 1,72% * 10 GAZPS ОАО Газпром, ао 23 673 512 900 40% 0,4 114 707 15,00% * 11 GMKNS ОАО ГМК Норильский никель, ао 190 627 747 40% 1 7,96% * 12 HYDRS ОАО Рус

Гидро, ао 269 695 430 802 30% 1 2,39% * 13 IRAO ОАО ИНТЕР РАО ЕЭС, ао 2 274 113 845 013 20% 1 0,44% 14 LKOHS ОАО ЛУКОЙЛ, ао 850 563 255 50% 0,9 661 831 15,00% * 15 MAGNS ОАО ММК, ао 11 174 330 000 5% 1 0,38% * 16 MGNT ОАО Магнит, ао 88 975 073 25% 1 1,01% 17 MRKH ОАО Холдинг МРСК, ао 41 041 753 984 25% 1 0,99% 18 MSNG ОАО Мосэнерго, ао 39 749 359 700 20% 1 0,57% 19 MTLR ОАО Мечел, ао 416 270 745 15% 1 0,91% 20 MTSS ОАО МТС, ао 1 993 326 138 10% 1 1,05% 21 MVID ОАО Компания М. видео, ао 179 768 227 30% 1 0,20% 22 NLMK ОАО НЛМК, ао 5 993 227 240 15% 1 1,84% 23 NMTP ОАО Новороссийский морской торговый порт, ао 19 259 815 400 30% 1 0,58% 24 NNSI ОАО Волга

Телеком, ао 245 969 590 40% 1 0,23% 25 NVTK ОАО НОВАТЭК, ао 3 036 306 000 15% 1 1,71% 26 OGKB ОАО ОГК-2, ао 32 734 568 382 35% 1 0,26% 27 OGKC ОАО ОГК-3, ао 47 487 999 252 20% 1 0,29% 28 OGKD ОАО ОГК-4, ао 63 048 706 145 20% 1 0,49% 29 OPIN ОАО ОПИН, ао 15 280 221 20% 1 0,09% 30 PHST ОАО Фармстандарт, ао 37 792 603 15% 1 0,24% 31 PLZLS ОАО Полюс Золото, ао 190 627 747 30% 1 1,93% * 32 PMTL ОАО Полиметалл, ао 399 375 000 30% 1 0,76% 33 RASP ОАО Распадская, ао 780 799 808 20% 1 0,59% 34 ROSNS ОАО НК Роснефть, ао 10 598 177 817 15% 1 8,48% * 35 SBERS ОАО Сбербанк России, ао 21 586 948 000 40% 0,9 118 257 13,66% * 36 SBERPS ОАО Сбербанк России, ап 1 000 000 000 100% 0,9 118 257 1,34% * 37 SIBN ОАО Газпром нефть, ао 4 741 299 639 5% 1 0,76% 38 SILV ОАО Сильвинит, ао 7 825 760 15% 1 0,59% 39 SNGSS ОАО Сургутнефтегаз, ао 35 725 994 705 25% 1 5,09% * 40 SNGSPS ОАО Сургутнефтегаз, ап 7 701 998 235 70% 1 1,87% * 41 SPTL ОАО Северо-Западный Телеком, ао 881 045 433 35% 1 0,15% 42 SVAV ОАО СОЛЛЕРС, ао 34 270 159 30% 1 0,12% 43 TATNS ОАО Татнефть им. В. Д. Шашина, ао 2 178 690 700 30% 1 2,10% * 44 TRNFP ОАО АК Транснефть, ап 1 554 875 100% 1 0,83% 45 UFNC ОАО Уфанефтехим, ао 275 330 608 20% 1 0,12% 46 URKAS ОАО Уралкалий, ао 2 124 390 000 35% 1 2,18% * 47 URSI ОАО Уралсвязьинформ, ао 32 298 782 020 45% 1 0,28% 48 VSMO ОАО Корпорация ВСМПО-АВИСМА, ао 11 529 538 25% 1 0,23% 49 VTBRS ОАО Банк ВТБ, ао 10 460 541 337 338 15% 1 2,61% * 50 WBDF ОАО Вимм-Билль-Данн Продукты Питания, ао 44 000 000 10% 1 0,15%

На первоначальном этапе отбор акций российских эмитентов производился на основе рыночных характеристик, таких как длительность и непрерывность торговой истории (непременное условие, от выполнения которого зависит возможность проведения дальнейших математических расчетов), вхождение в котировальные списки высших уровней, величина капитализации. Вхождение в индекс с указанием доли — дополнительный критерий, который тем не менее наглядно демонстрирует место, занимаемое компанией-эмитентом в отрасли или в экономике в целом (если речь идет об индексах RTS1, RTS2). Данные критерии отбора носят условный характер, ибо вполне логично, что крупные компании с длинной торговой историей, высоко оцененные рынком, будут более предпочтительны для вхождения в портфель.

2.3 Расчет и оценка параметров модели САРМ

В качестве расчетной базы использовались архивы итогов торгов ценными бумагами за период с 01.

10.2005 по 31.

01.2008 (28 месяцев). Выбор расчетного периода (месяц) обусловлен недостаточно длительной историей существования российского фондового рынка в целом и короткой торговой историей отдельных бумаг в частности (скажем, ОАО «Мобильные Теле

Системы", «ОАО «Новатэк»). Таким образом, если бы использовались исторические данные за больший срок, это привело бы к сокращению количества бумаг. Вместе с тем включение акций указанных компаний в состав набора бумаг с целью дальнейшего отбора для формирования инвестиционного портфеля позволяет расширить возможности его диверсификации.

Расчет основных характеристик ценных бумаг — средней месячной доходности без учета дивидендов и стандартного отклонения выполнен по формулам 2.1, 2.2 и 2.3 с использованием программе Excel и представлен в таблице 2.

2.

Для определения средней (месячной) доходности актива без учета дивидендных выплат использовалась формула:

где Pt — цена акции в текущем периоде t;

Pt-1 — цена акции в предыдущем периоде t-1;

отношение разницы цен в текущем и предыдущем периодах к цене в предыдущем периоде есть не что иное, как доходность актива в период под номером t, то есть Rti;

T — количество периодов, для которого рассчитывается средняя доходность.

Мерой риска, связанного с доходностью актива i, является дисперсия, оценивающая степень отклонения возможных конкретных значений доходности от среднего:

Где Rit — одно из возможных значений доходности актива i.

Для облегчения интерпретации показателя дисперсии его преобразуют в стандартное отклонение:

Таблица 2.2

Значения средней доходности и стандартного отклонения

№ п/п Код Название компании Средняя месячная доходность Стандартное отклонение AFKS ОАО АФК Система, ао 4,17 12,06 AFLT ОАО Аэрофлот, ао 3,24 10,30 AKRN ОАО Акрон, ао 4,26 1,0 AVAZ ОАО Автоваз, ао 2,59 8,05 BANE ОАО Башнефть, ао 6,22 12,38 CHMFS ОАО Северсталь, ао 1,58 15,78 ENCO ОАО Сибирьтелеком, ао 5,58 12,13 ESMO ОАО Центр

Телеком, ао 2,21 8,87 FEESS ОАО ФСК ЕЭС, ао 2,21 11,44 GAZPS ОАО Газпром, ао 2,46 13,49 GMKNS ОАО ГМК Норильский никель, ао 4,14 12,53 HYDRS ОАО Рус

Гидро, ао 1,33 11,90 IRAO ОАО ИНТЕР РАО ЕЭС, ао 4,36 9,02 LKOHS ОАО ЛУКОЙЛ, ао 4,26 12,18 MAGNS ОАО ММК, ао 6,59 12,70 MGNT ОАО Магнит, ао 3,34 15,90 MRKH ОАО Холдинг МРСК, ао 1,98 8,28 MSNG ОАО Мосэнерго, ао 4,06 8,02 MTLR ОАО Мечел, ао 4,46 12,38 MTSS ОАО МТС, ао 2,21 8,87 MVID ОАО Компания М. видео, ао 3,18 5,14 NLMK ОАО НЛМК, ао 5,42 10,18 NMTP ОАО Новороссийский морской торговый порт, ао 6,22 11,24 NNSI ОАО Волга

Телеком, ао 2,13 3,14 NVTK ОАО НОВАТЭК, ао 5,47 2,58 OGKB ОАО ОГК-2, ао 6,18 3,22 OGKC ОАО ОГК-3, ао 7,24 8,45 OGKD ОАО ОГК-4, ао 3,23 11,21 OPIN ОАО ОПИН, ао 2,11 8,71 PHST ОАО Фармстандарт, ао 5,41 7,24 PLZLS ОАО Полюс Золото, ао 4,39 8,24 PMTL ОАО Полиметалл, ао 5,28 6,13 RASP ОАО Распадская, ао 3,17 9,14 ROSNS ОАО НК Роснефть, ао 2,55 4,11 SBERS ОАО Сбербанк России, ао 3,87 7,24 SBERPS ОАО Сбербанк России, ап 8,17 10,57 SIBN ОАО Газпром нефть, ао 2,41 5,14 SILV ОАО Сильвинит, ао 3,29 5,71 SNGSS ОАО Сургутнефтегаз, ао 8,14 11,21 SNGSPS ОАО Сургутнефтегаз, ап 5,22 7,24 SPTL ОАО Северо-Западный Телеком, ао 6,11 8,21 SVAV ОАО СОЛЛЕРС, ао 7,25 8,71 TATNS ОАО Татнефть им. В. Д. Шашина, ао 4,51 5,73 TRNFP ОАО АК Транснефть, ап 7,14 5,24 UFNC ОАО Уфанефтехим, ао 4,28 6,28 URKAS ОАО Уралкалий, ао 4,14 5,22 URSI ОАО Уралсвязьинформ, ао 8,14 9,24 VSMO ОАО Корпорация ВСМПО-АВИСМА, ао 5,24 7,11 VTBRS ОАО Банк ВТБ, ао 3,17 5,27 WBDF ОАО Вимм-Билль-Данн Продукты Питания, ао 4,11 7,24

Далее был произведен отбор акций российских компаний для формирования оптимального портфеля в зависимости от степени их взаимосвязи (корреляции) между собой и с учетом соотношения статистических характеристик риск — доходность.

Охарактеризовать степень взаимосвязи и направления изменения доходности двух ценных бумаг позволяют рассчитываемые значения ковариации и корреляции (формулы 2.4 и 2.5).

где Rit — значение доходности актива i в период t (месяц);

Rjt — значение доходности актива j в период t;

— средняя доходность актива i;

— средняя доходность актива j;

Т — число периодов, за которые регистрировались доходности активов i и j.

Формула для коэффициента корреляции имеет вид:

Величина коэффициента корреляции может находиться в пределах от -1 до 1. Если коэффициент корреляции по абсолютной величине близок к 1, то связь между доходностью рассматриваемых ценных бумаг тесная. При его величине, близкой к 0, связь слабая. Если коэффициент отрицательный, то связь обратная, если положительный — прямая.

Расчет коэффициентов корреляции для отобранных акций и их дальнейший анализ выявил высокие положительные значения данного показателя среди значительного количества ценных бумаг. 30 акций из 50 тесно коррелируют (коэффициент корреляции > 0,60) с 2 и более бумагами из рассматриваемого списка. Тем не менее надо отметить и присутствие бумаг с относительно невысокими коэффициентами корреляции, а в некоторых случаях — даже отрицательными.

Согласно принципам современной портфельной теории в состав портфеля отбираются акции, которые при сопоставимых значениях средней месячной доходности и риска имеют минимальные коэффициенты корреляции. И наоборот, если в ходе составления портфеля встает вопрос об исключении той или иной бумаги ввиду сокращения на каком-либо этапе доли присутствия в портфеле или даже появления отрицательных долей, то после нахождения тесно коррелирующих между собой бумаг исключается та, рассматриваемые статистические характеристики которой хуже.

Доходность портфеля определяется соотношением:

где Ri — доходность актива i;

wi — доля инвестиций в ценные бумаги типа i, входящие в портфель, или удельный вес каждого актива, причем вес каждого актива должен быть больше или равен нулю, а сумма весов — равна единице.

Риск портфеля ценных бумаг оценивается стандартным отклонением, вычисляемым на основе дисперсии его доходности:

В соответствии с моделью САРМ структура портфеля должна обеспечивать инвестору желаемое значение доходности при наименьшем риске. Поэтому задача оптимизации портфеля ставится следующим образом: необходимо минимизировать критерий:

Портфель, имеющий наименьшее значение риска для заданного значения доходности, называется эффективным. Оптимальный портфель выбирается из множества эффективных портфелей.

Осуществленные расчеты демонстрируют возможность формирования с помощью методов математико-статистического анализа групп эффективных портфелей из исходного набора 20 акций. При этом полученные портфели различаются по количеству акций и желаемым прогнозируемым соотношениям риска и доходности.

К первой группе портфелей будут относиться портфели с умеренной ожидаемой месячной доходностью в диапазоне 3,40 — 5,00% при рисках 4,77 — 5,95%, состоящие из 12 акций (GUTB, RUSI, SOLD, FIBR, VTBC, FORC, MCAP, ROSB, UFGR, UNIN, UNPA, PTRC) и различающиеся соотношением долей входящих в их состав акций, а также соотношением прогнозируемых значений риска и доходности. Здесь следует отметить, что отдельно взятые бумаги, которые вошли в состав данных портфелей, с сопоставимыми месячными доходностями CITF (4,36%) и ECAP (4,06%), имеют риск более 8%.

Далее путем исключения некоторых бумаг из представленных выше были построены эффективные портфели, включающие 4 акции (AKBF, CKBN, CSFB, ECAP) с несколько большей ожидаемой месячной доходностью в 4,90 — 5,80%, но и с большим риском (6,09 — 7,33%).

Если инвестора интересуют максимальные ожидаемые месячные доходности (до 6,40%), которые предположительно могут обеспечить рассматриваемые акции, то (после исключения акции CITF) могут быть сформированы эффективные портфели, состоящие из 3 бумаг. Предполагаемые месячные доходность и риск этих портфелей колеблются в диапазоне 5,00 — 6,40% и 6,31 — 9,16% соответственно. Для сравнения — средняя месячная доходность отдельно взятой бумаги CSBF равна 6,59%, всего лишь на 0,2 процентных пункта превышая максимальную ожидаемую месячную доходность построенных портфелей. Вместе с тем ее риск равен 12,7%, что на 38% больше максимального риска портфеля, в состав которого она входит.

Осуществленные математические расчеты призваны помочь инвестору сузить круг рассматриваемых инструментов. Решение вопроса о том, какой портфель из сформированных выше предпочтительнее, является оптимальным, зависит от конкретных целей инвестора и определяется его собственными взглядами на соотношения доходности и риска.

На основании анализа, представленного в настоящей работе, можно говорить о следующих чертах, характерных для российского рынка ценных бумаг с точки зрения применимости к нему существующих методов отбора ценных бумаг для последующего формирования инвестиционного портфеля.

1. Недостаточное количество общего числа ценных бумаг и ограниченное количество «качественных» ценных бумаг. На конец марта 2010 г. Котировальный список РТС насчитывал 318 ценных бумаг 286 эмитентов (для сравнения — в листинг Нью-Йоркской фондовой биржи, крупнейшей фондовой площадки в мире, входит более 3 тыс. ценных бумаг). Кроме того, отобранные для анализа бумаги — это в большинстве своем наиболее ликвидные бумаги крупнейших отечественных компаний нефтегазового, энергетического и металлургического секторов (так называемые голубые фишки).

Таким образом, речь идет уже не об отборе бумаг, представляющих наибольший интерес с точки зрения формирования портфеля, из большого числа активно торгуемых качественных ценных бумаг, а о полном использовании списка ликвидных акций.

2. Отсутствие в достаточном объеме объективной информации об эмитенте (в том числе по финансовым показателям) затрудняет применение методов традиционной портфельной теории, в частности фундаментального анализа, к российским реалиям.

3. Имея в виду, что для вычисления математико-статистических показателей можно ограничиться торговой историей по ценной бумаге, и учитывая то обстоятельство, что нынешнее развитие вычислительной техники позволяет значительно облегчить многочисленные вычисления, методы современной портфельной теории представляются достаточно эффективными применительно к отечественному рынку.

Но и здесь следует учесть некоторые особенности. В частности, короткая торговая история по большинству бумаг делает затруднительным использование в качестве расчетного периода больший, нежели месяц, временной отрезок (например, квартал или год, как это следует из теоретических разработок западных экономистов и практики применения статистических расчетов). Кроме того, несмотря на то что по сравнению с предыдущими годами доля нефтегазового сектора в общей капитализации крупнейших отечественных компаний существенно снизилась и составляет сейчас около 50%, вопрос об отраслевой «перекошенности» российского фондового рынка остается актуальным. Этот факт может объяснять характерное для российского фондового рынка присутствие большого количества высоких положительных значений коэффициентов корреляции между бумагами. А оно, в свою очередь, — появление в портфеле отрицательных долей некоторых ценных бумаг.

Заключение

Под конструированием портфеля понимается определение его состава и структуры. Первичный отбор активов осуществляется исходя из соображений доступности для данного инвестора, а также с учетом априорных ограничений, устанавливаемых инвестором или законодательством. Вторичный отбор осуществляется путем исключения тех активов, инвестиционные качества которых абсолютно неприемлемы с точки зрения инвестора. Таким образом, вторичный отбор производится только после количественной или качественной оценки инвестиционных характеристик каждого из активов, отобранных на первом этапе. Конечным результатом процедуры отбора является определение для каждого инвестора целевого сегмента либо нескольких сегментов финансового рынка, в рамках которых будет осуществляться инвестиционная деятельность.

Исходными данными для первичного отбора активов являются объективные сведения о формальном статусе инвестора, объеме его ресурсов, предполагаемой срочности инвестирования, а также об имеющихся на финансовом рынке активах и порядке доступа инвесторов к операциям с этими активами. Осуществление вторичного отбора требует формализации субъективных предпочтений инвестора в отношении объектов инвестирования.

Целью оптимизационного алгоритма как части портфельной теории является определение структуры портфеля. Процедура предварительной сегментации портфеля, предполагающая разделение общего объема инвестируемых ресурсов в определенных пропорциях между несколькими типами активов (например, между акциями и облигациями), является необязательной. Однако такая сегментация позволяет значительно упростить процедуру дальнейшей детализации структуры портфеля, поскольку для осуществления диверсификации в рамках каждого подпортфеля потребуется проведение сравнительного и комбинационного анализа только однотипных активов.

Модуль комбинирования (диверсификации) портфеля является ключевым в ряду процедур и алгоритмов портфельной теории: он позволяет выбрать оптимальное с точки зрения инвестора сочетание инвестиционных активов в рамках всего портфеля или отдельных подпортфелей, если была проведена соответствующая сегментация.

Оценка инвестиционных качеств активов и портфелей является с точки зрения портфельной теории вспомогательным элементом, обеспечивающим основной массив исходных данных для процедуры оптимизации портфеля. Однако именно этот элемент является наиболее сложным, как для формализации, так и для интерпретации результатов анализа.

Методика оценки инвестиционных качеств включает в себя ряд частных методик, позволяющих численно оценить доходность, риск, ликвидность и иные качества финансовых активов. Каждая из этих частных методик должна позволять переходить от оценок индивидуальных активов к оценкам портфеля, состоящего из этих активов. В рамках портфельной теории может оцениваться неограниченное количество инвестиционных качеств активов и портфелей, однако набор этих качеств и характеризующие их показатели должны быть идентичны для всех типов активов, потенциально входящих в портфель.

В дипломной работе было обосновано применение модели САРМ для портфельного инвестирования в современных российских условиях и проведен расчет и выбор оптимальных портфелей ценных бумаг с учетом возможных различных стратегий инвестирования, выбираемыми при выходе на рынок ценных бумаг в качестве инвестора.

Кроме того, в дипломной работе было определено, что в современных условиях недостаточной развитости рынка ценных бумаг и высокого уровня неопределенности оптимальной стратегией инвестирования будет стратегия Value effect, основанная на оценке технических и фундаментальных характеристик фондового рынка.

Батяева Т.А., Столяров И. И. Рынок ценных бумаг: Учебное пособие. — М.: ИНФРА-М, 2009. — 304 с.

Бехтерева Е. В. Управление инвестициями. — М.: Грос

Медиа: РОСБУХ, 2008.

Бланк И. А. Основы инвестиционного менеджмента. — М.: ОМЕГА-Л, 2008.

Гитман Л.Дж., Джонк М. Д. Основы инвестирования / Пер. с англ. — М.: Дело, 1997. С. 800.

Гуськова Н. Д. Инвестиционный менеджмент: учебник. М.: КНОРУС, 2010. — 456 с.

Игонина Л. Л. Инвестиции: Учебник. — М.: Магистр, 2008.

Инвестиции: Системный анализ и управление / Под ред. проф. К. В. Балдина. — М.: Дашков и К, 2007.

Инвестиции: Учебник / Отв. ред. В. В. Ковалев, В. В. Иванов, В. А. Лялин. — М.: Проспект, 2010. — 592 с.

Инвестиции: Учебник / Под ред. Г. П. Подшиваленко. — М.: КНОРУС, 2008.

Инвестиции: Учебное пособие / Под ред. М. В. Чиненова. — М.: КНОРУС, 2007.

Исследования информационной прозрачности российских компаний в 2007 г.: значительные изменения в десятке лидеров / Служба рейтингов корпоративного управления Standard&Poor's, 14 ноября 2007 г.

Карлик А.Е., Рогова Е. М., Тихонова М. В., Ткаченко Е. А. Инвестиционный менеджмент: Учебник. — СПб.: Издательство Вернера Регена, 2008.

Корчагин Ю. А. Инвестиционная стратегия. — Ростов-на-Дону: Феникс, 2006.

Корчагин Ю. А. Рынок ценных бумаг. — Ростов-на-Дону: Феникс, 2007. — 496 с.

Корчагин Ю. А. Современная экономика России. — Ростов-на-Дону: Феникс, 2006.

Коттл С., Мюррей Р. Ф., Блок Ф. Е. «Анализ ценных бумаг» Грэма и Додда / Пер. с англ. — М.: ЗАО «Олимп-Бизнес», 2000

Кох И. А. Элементы современной портфельной теории // Экономические науки. — 2009. — № 8.

Нешитой А. С. Инвестиции: Учебник. — М.: Дашков и К, 2008.

Хаертфельдер М., Лозовская Е., Хануш Е. Фундаментальный и технический анализ рынка ценных бумаг. — М. — СПб.: Питер, 2005.

Шеремет А.Д., Сайфулин Р. С., Негашев Е. В. Методика финансового анализа. — М.: ИНФРА-М, 2000.

Benjamin Graham, David Dodd, Security Analysis, 1st ed., New York: McGraw-Hill, 1934

Abarbanell, J., and Lehavy, R. Biased forecasts or biased earnings? The role of earnings management in explaining apparent optimism and inefficiency in analysts' earnings forecasts // Unpublished paper, University of North Carolina, 2000.

Agrawal, A., Jaffe, J.F., and Mandelker, G. (1992), The post-merger performance of acquiring firms in acquisitions: a re-examination of an anomaly, Journal of Finance, 47 (1992) 1605−1621.

Amir, E., Lev, B., and Sougiannis, T. What value analysts? // Working paper, 1999. Baker, M., and Wurgler, J. (2004a), A catering theory of dividends, Journal of Finance, 59 (2004a) 271—288.

Baker, M., and Wurgler, J. (2004b), Appearing and disappearing dividends: The link to catering incentives, Journal of Financial Economics (2004b), forthcoming.

Barberis, N., Shleifer, A., and Vishny, R. (1998), A model of investor sentiment, Journal of Financial Economics, 49 (1998) 307−343.

Basu, S.,(1983), The relationship between earnings yield, market value, and return for NYSE common stocks: Further evidence, Journal of Financial Economics, 12 (1983) 129— 156.

Bernard, V., and Thomas, J. (1989), Post-earnings announcement drift: Delayed price response or risk premium?, Journal of Accounting Research (Suppl.), 27 (1989) 1—36.

Bernard, V., Thomas, J., and Wahlen, J. (1997), Accounting based stock price anomalies: Separating market inefficiencies from risk, Contemporary Accounting Rensearch, 14 (1997) 89—136.

Brown, L. (2001), A temporal analysis of earnings surprises: Profits versus losses, Journal of Accounting Research, 39 (2001), 221—241.

Campbell, J., Grossman, S., and Wang, J. (1993), Trading volume and serial correlation in stock returns, Quarterly Journal of Economics, 108 (1993), 905—940.

Chan, L., and Lakonishok, J. (1995), The behavior of stock prices around institutional trades, Journal of Finance 50 (1995), 1147—1174.

Chan, L., Jegadeesh, N., and Lakonishok, J. (1997), Momentum strategies, Journal of Finance, 51 (1997), 1681—1713.

Chan, W. (2003), Stock price reaction to news and no-news: drift and reversal after headlines, Journal of Financial Economics 70 (2003), 223−260.

Chopra, N., Lakonishok, J., and Ritter, J. (1992), Measuring abnormal performance: do stocks overreact? // Journal of Financial Economics 31 (1992), 235−268.

Cohen, R., Gompers, P., and Vuolteenaho, T. (2002), Who underreacts to cash-flow news? Evidence from trading between individuals and institutions, Journal of Financial Economics, Vol. 66, Iss. 2, 3 (2002), p. 409.

Conrad, J., Cornell, B., and Landsman, W. (2002), When is bad news really bad news? The Journal of Finance, Vol. LVII, No.6, (2002), 2507—2532.

Copeland, T., and Dolgoff, A. Outperform with expectations-based management. — New Jersey: John Wiley & Sons, Inc., 2005.

Culbertson J. The term structure of interest rates. — Quarterly Journal of Economics, 1957, Vol.72, No.

4. — p.485−517.

Cuthbertson K. Quantitative financial economics. — Chichester: Wiley, 1996. — p.

319.

Cutler, D., Poterba, J., and Summers, L. (1991), Speculative dynamics, Review of Economic Studies 58 (1991), 529−546.

Daniel, K., Hirshleifer, D., and Subrahmanyam, A. (1998), A theory of overconfidence, self-attribution, and security market underand over-reactions, Journal of Finance 53 (1998), in press.

David, A. (1997), Fluctuating confidence in stock markets: Implications for returns and volatility, Journal of Financial and Quantitative Analysis 32, (1997), 427—482.

De Bondt, W., and Thaler, R. (1985). Does the stock market overreact? Journal of Finance 40 (1985), 793—808.

Dechow, P., and Sloan R. (1997), Returns to contrarian investment strategies: Tests of naive expectations hypotheses, Journal of Financial Economics, 43 (1997), 3—27.

Edwards, W. (1968), Conservatism in human information processing, in: Kleinmutz, B. (Ed.). Formal Representation of Human Judgment. John Wiley and Sons, New York, p. 17—52.

Ekholm, A. (2002), How do different types of investors react to new financial statement information? Swedish School of Economics and Business Administration Working Paper No. 464.

Eugene Fama, Ken French, The CAPM Is Wanted, Dead or Alive, Journal of Finance, vol. 51, no. 5 (December 1996), pp. 1947−1958.

Eugene Fama, Ken French, The Cross Section of Expected Stock Returns, Journal of Finance, vol. 47 (1992), pp. 427−466.

Fama, E. (1998), Market efficiency, long-term returns, and behavioral finance, Journal of Financial Economics, 49 (1998), 283—306.

Fama, E., and French, K. (1992), The cross-section of expected stock returns, Journal of Finance, 47 (1992), 427−465.

Fama, E., and French, K. (1993), Common risk factors in the returns on stocks and bonds, Journal of Financial Economics, 33 (1993), 3—56.

Fama, E., and French, K. (1995), Size and book-to-market factors in earnings and stock returns, Journal of Finance 50 (1995), 131—155.

Fama, E., and French, K. (1996), Multifactor explanation of asset pricing anomalies, Journal of Finance, 51 (1996), 55—84.

Foster, F.D., and Viswanathan, S. (1996), Strategic trading when agents forecast of others, Journal of Finance, 51 (1996), 1437—1478.

Gompers, P., and Lerner, J. (1998), Venture capital distributions: short-run and long-run reactions, Journal of Finance 53 (1998), 2161−2183.

Hong, H., and Stein, J. (1999), A unified theory of underreaction, momentum trading and overreaction in asset markets, Journal of Finance, 54 (1999), 2143−2184.

Hong, H., Lim, T., and Stein, J. (2000), Bad news travels slowly: size, analyst coverage, and the profitability of momentum strategies, Journal of Finance 55 (2000), 265−295.

Ikenberry, D., and Lakonishok, J. (1993), Corporate governance through the proxy contest: Evidence and implications, Journal of Business 66 (1993), 405−435.

Ikenberry, D., and Ramnath, S. (2002), Underreaction to self-selected news events: the case of stock splits, Review of Financial Studies 15 (2002), 489−526.

Ikenberry, D., Lakonishok, J., and Vermaelen, T. (1995), Market underreaction to open market share repurchases, Journal of Financial Economics 39 (1995), 181—208.

Ikenberry, D., Rankine, G., and Stice, E. (1996), What do stock splits really signal? Journal of Financial and Quantitative Analysis, 31 (1996), 357—375.

Jegadeesh, N. (1990), Evidence of predictable behavior of security returns, Journal of Finance 45 (1990), 881−898.

Jegadeesh, N., and Titman, S. (1993), Returns to buying winners and selling losers: implications for stock market efficiency, Journal of Finance 48 (1993), 65−91.

John Lintner, The Valuation of Risk Assets and the Selection of Risky Investment in Stock Portfolios and Capital Budgets, Review of Economics and Statistics, vol. 47, no. 1 (1965), pp. 221−245.

Kahneman D., and Tversky, A. (1979), Prospect Theory: An Analysis of Decision Under Risk, Econometrica, 47 (1979), 263—91.

Kothari, S., Sabino, S., and Zach, T. (1999), Implications of data restrictions on performance measurement and tests of rational pricing, Unpublished paper, Massachussets Institute of Technology, Cambridge, MA, 1999.

Kothari, S., Shu, S., and Wysocki, P. (2008), Do Managers Withhold Bad News? MIT Sloan Research Paper No. 4556—05, 2008.

Kyle, A. (1985), Continious auctions and insider trading, Econometrica 53 (1985), 1315— 1335.

La Porta, R. (1996), Expectations and the cross-section of expected returns, Journal of Finance 51 (1996, 1715—1742.

La Porta, R., Lakonishok, J., Shleifer, A. and Vishny, R. (1997), Good news for value stocks: Further evidence on market efficiency, Journal of Finance 52 (1997), 859—874.

Lakonishok, J., Shleifer, A., and Vishny, R. (1994), Contrarian investment, extrapolation, and risk, Journal of Finance 49 (1994), 1541−1578.

Lee, C. (1992), Earnings news and small traders, Journal of Accounting Economics, 15 (1992), 265—302.

Lo, A., and MacKinlay, A. (1990), When are contrarian profits due to stock market overreaction? Review of Financial Studies 3 (1990), 175−205.

Loughran, T., and Ritter, J. The new issues puzzle, The Journal of Finance 50 (1995), 23- 52.

Michaely, R., and Womack, K. (1999), Conflict of interest and the credibility of underwriter analyst recommendations, Review of Financial Studies 12 (1999), 653−686.

Michaely, R., Thaler, R., and Womack, K. (1995), Price reactions to dividend initiations and omissions: overreaction or drift? Journal of Finance 50 (1995), 573−608.

Mitchell, M., and Mulherin, J. (1994), The impact of public information on the stock market, Journal of Finance 49 (1994), 923−950.

Pritamani, M., and Singal, V. (2001), Return predictability following large price changes and information releases, Journal of Banking and Finance 25 (2001), 631−656.

Ritter, J. (1991), The long-run performance of initial public offerings, Journal of Finance, 46 (1991), 3−27.

Rolf Banz, The Relationship Between Return and Market Value of Common Stock, Journal of Financial Economics, vol. 9 (1981), pp. 3−18.

Roll, R. (1988), R2, Journal of Finance, 43 (1988), 541−566.

Rouwenhorst, K. (1998), International momentum strategies, Journal of Finance, 53 (1998), 267−284.

Schwert, G. (1981), The adjustment of stock prices to information about inflation, Journal of Finance, 36 (1981), 15−29.

Seyhun, H. (1997), Investment Intelligence: Tips from Insider Trading. — Cambridge: MIT Press, MA, 1997.

S hanken J. T he Arbitrage Pricing Theory: Is It Testable? //J

ournal of Finance. 1982 (37). D ecember. p. 1129−1140.

Skinner, D. (1997), Earnings disclosures and stockholder lawsuits, Journal of Accounting & Economics 23 (1997), 249−282.

Skinner, D., and Sloan, R. (2002), Earnings surprises, growth expectations and stock returns or Don’t let an earnings torpedo sink your portfolio, Review of Accounting Studies 7 (2002), 289—312.

Soffer, L., Thiagarajan, S., and Walther, B. (2000), Earnings preannouncement strategies, Review of Accounting Studies 5 (2000), 5—26.

Spiess, K., and Affleck-Graves, J. (1995), Underperformance in long-run stock returns following seasoned equity offerings, Journal of Financial Economics 38 (1995), 243—267.

Statman, D. (1980), Book values and stock returns, The Chicago MBA: A Journal of Selected Papers 4 (1980), 25—45.

The ABC of Stock Speculation, S.A. Nelson.

Veronesi, P. (1999), Stock market overreaction to bad news in good times: A rational expectations equilibrium model, Review of Financial Studies 12 (1999), 975—1007.

William Sharpe, Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk, Journal of Finance, vol. 19, no. 3 (September 1964), p. 442.

Womack, K. (1996), Do brokerage analysts' recommendations have investment value? Journal of Finance 51 (1996), 137−168.