Сравнительный анализ фондового рынка России и стран БРИК

реклама
Сравнительный анализ фондового рынка России и стран БРИК на основе модели графа
рынка.
Визгунов А.Н., Глотов А.А., НИУ ВШЭ в Нижнем Новгороде, [email protected],
[email protected] .
Аннотация. В статье предлагается методика сравнения фондовых рынков разных стран на
основе модели графа рынка и применение этой методики для сравнения фондовых
рынков стран БРИК. Рассматриваются акции крупнейших предприятий России, Бразилии,
Индии и Китая, анализируется динамика изменения характеристик соответствующих
графов рынков.
Ключевые слова. Граф рынка, фондовый рынок, максимальная клика, страны БРИК.
Введение.
Современные информационные технологии позволяют инвесторам совершать сделки на
фондовых рынках различных стран. Для принятия решений об инвестировании важно
иметь модели, представляющие структурные характеристики фондового рынка в
компактном и удобном для анализа виде.
Основной простой и общедоступной характеристикой, позволяющей в компактной форме
получить информацию о текущем состоянии и динамике фондового рынка, является
индекс и его изменение с течением времени. Как в фундаментальном, так и в
техническом анализе фондового рынка используется большое количество индикаторов,
но ни один из них не является таким популярным и простым в использовании как индекс.
Простота анализа рынка с помощью рассмотрения индекса компенсируется малой
информативностью такого анализа. В частности, изменение индекса рынка показывает
тренд изменения доходностей обращающихся ценных бумаг, но не показывает,
насколько большое количество ценных бумаг изменяется однонаправлено. Иными
словами, индекс показывает среднее движение доходностей ценных бумаг, но не
позволяет понять, каков разброс движений доходностей, насколько связным является
рынок.
Использование теории графов для моделирования рынка ценных бумаг позволяет
предложить характеристики, которые в компактном и простом виде характеризуют,
насколько акции рынка движутся однонаправлено. В данной работе в качестве основой
модели используется предложенная в 2003 году Богинским, Бутенко и Пардалосом [1]
модель графа рынка. Данная модель предлагает рассматривать рынок как граф, каждая
вершина которого соответствует ценной бумаге, а ребро графа проводится между
вершинами в том случае, если корреляция между соответствующими ценными бумагами
превышает некоторый порог.
Результаты анализа фондовых рынков различных стран с использованием модели графа
рынка были опубликованы в ряде статей [1-3, 6, 7, 10]. По нашему мнению,
использование модели графа рынка позволяет не только описать фондовый рынок
отдельной страны, но и сравнить рынки различных стран между собой. В данной работе
предложена методика сравнения фондовых рынков различных стран и приведены
результаты применения методики к сравнению фондовых рынков стран БРИК. Выбор
стран для сравнительного анализа обусловлен схожестью динамики важности
рассматриваемых государств для современной экономики, что, в свою очередь,
обуславливает гипотезу о схожести развития и связности фондовых рынков этих стран.
Для сравнительного анализа графов рынков используются такие характеристики как
гистограмма распределения коэффициентов корреляции, зависимость плотности ребер
графа от выбранного порога, размер и состав максимальных клик. Каждая из
рассматриваемых характеристик может быть интерпретирована с точки зрения
экономики. Гистограмма распределения, математическое ожидание и стандартное
отклонение коэффициентов корреляции позволяют оценить, насколько акции на
рассматриваемом рынке зависят друг от друга. Максимальные клики в случае выбора
большого порога показывают группы сильно коррелированных между собой акций
максимального размера.
С нашей точки зрения, размер максимальной клики для построенных графов может
служить компактной и информативной характеристикой связности рынка, которая в
сочетании со значением индекса дает хорошее представление о состоянии фондового
рынка и позволяет сравнивать фондовые рынки разных стран.
Математическая модель графа рынка.
Представление данных о фондовом рынке в виде графа начинается с выбора вершин –
акций и выбора меры близости доходностей акций. Анализ литературы показывает, что в
качестве меры близости удобно выбирать коэффициент корреляции доходностей [8, 9].
Все попарные коэффициенты образуют матрицу, которая служит основой построения
сетевой модели рынка.
Коэффициенты корреляции рассчитываются в соответствии с [8] по формуле
cij 
E Ri R j   E Ri E R j 
var Ri  var R j 
где
 P (t ) 

Ri (t )  ln  i
 Pi (t  1)  определяет доходность ценной бумаги i за однодневный период,
E  Ri  
1 n
 Ri (t )
n t 1
, определяет среднюю доходность ценной бумаги i за n дней,
var Ri  
1 n
( Ri (t )  E ( Ri )) 2

n t 1
определяет дисперсию доходности ценной бумаги i за n дней.
Полученная матрица рассматривается как матрица смежности взвешенного графа. Так как
по главной диагонали построенной матрицы всегда стоят единицы, то построенный граф
содержит петли. Поскольку корреляция доходности акции с самой собой не несет
содержательной информации в нашей модели, мы исключаем петли из рассмотрения.
Для перехода к графу рынка необходимо выбрать порог и оставить в графе только те
ребра, коэффициенты корреляции которых больше выбранного порога. В качестве
основного анализируемого шаблона в графе рынка используется максимальная клика –
полный подграф. Также при рассмотрении изменения состава максимальной клики на
протяжении ряда периодов рассматривается объединение всех максимальных клик.
Модельные данные.
В качестве модельных данных были использованы данные по акциям 200 крупнейших по
капитализации компаний Бразилии, Индии и Китая, а также по 270 компаниям России.
Данные получены с помощью информационного сервиса по развивающимся рынкам –
EMIS (http://www.securities.com/products/emis.html). После анализа загруженных данных
была проведена процедура очистки данных, в результате чего из рассмотрения были
убраны несколько ценных бумаг.
Данные рассматриваются за период с 2007 по 2011 год. Для анализа изменения
характеристик рассматриваемых рынков с течением времени данный интервал был
разбит на 15 пересекающихся интервалов. Даты начала и окончания каждого интервала
приведены в таблице 1.
Таблица 1. Периоды наблюдений и количество торговых дней.
№
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Начало
периода
09.01.2007
22.03.2007
04.06.2007
14.08.2007
23.10.2007
11.01.2008
25.03.2008
06.06.2008
18.08.2008
29.10.2008
19.01.2009
01.04.2009
15.06.2009
24.08.2009
02.11.2009
Окончание
периода
16.01.2009
31.03.2009
11.06.2009
21.08.2009
30.10.2009
19.01.2010
01.04.2010
15.06.2010
24.08.2010
02.11.2010
21.01.2011
05.04.2011
17.06.2011
26.08.2011
07.11.2011
Бразилия
Россия
500
501
499
500
500
500
501
493
492
486
487
483
485
485
485
500
500
500
500
500
500
500
500
500
500
500
500
500
500
500
Индия
501
500
498
497
495
491
491
493
493
493
497
499
502
501
501
Китай
492
492
493
493
492
492
492
491
490
487
489
487
489
489
490
За основу были взяты периоды по 500 торговых дней в России. Для получения
сопоставимых результатов, календарные даты начала и окончания периода остались
одинаковыми для всех рассматриваемых стран. Поскольку календарь торговых дней не
совпадает в различных странах, в рассматриваемых временных интервалах количество
дней равняется 500 только для России, для остальных стран число дней незначительно
отличается от 500.
Анализ гистограмм распределения коэффициентов корреляции.
При расчете корреляций большое значение имеет количество наблюдений, по которым
производится расчет. Одной из общих характеристик фондовых рынков стран БРИК
является отсутствие ежедневных сделок по ряду даже самых ликвидных акций. Это
вынуждает либо считать корреляции по разному количеству наблюдений, или применять
некоторые правила сглаживания данных для формирования цены в тот день, когда
реальных торгов по ценной бумаге не было.
Мы используем второй путь, но рассматриваем только те ценные бумаги, торги по
которым проводились достаточно интенсивно. Зависимость количества рассматриваемых
акций от выбора количества дней, за которые по ним были реальные торги, приведена в
таблице 2. В качестве претендентов на порог отбора мы рассматривали 200, 300 и 400
дней торгов в рассматриваемых интервалах.
Таблица 2. Зависимость количества рассматриваемых акций от количества дней торгов.
№
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Бразилия
200
300
400
дней дней дней
135
116
84
140
122
97
144
125
104
143
130
114
143
131
117
143
133
120
145
134
125
145
134
124
148
135
125
150
136
124
152
140
124
156
144
124
158
147
128
161
153
130
164
154
133
200
дней
171
178
184
194
209
217
224
227
225
231
233
239
242
240
238
Россия
Индия
Китай
300
400
200
300
400
200
300
400
дней дней дней дней дней дней дней дней
143
114
182
178
173
149
128
52
154
122
184
180
176
153
132
55
154
120
184
182
178
155
140
62
160
125
184
184
180
160
150
68
164
129
184
184
181
161
152
90
171
135
184
184
184
161
156
123
184
143
185
184
184
161
159
138
192
151
185
184
184
161
159
143
198
165
189
185
184
165
160
153
202
174
191
185
184
169
160
155
208
181
192
189
185
177
165
156
216
188
193
191
186
180
166
157
221
190
193
192
189
182
174
159
228
185
195
193
191
186
179
163
231
183
195
193
192
187
180
171
Анализ таблицы 2 показывает, что каждый рассматриваемый рынок растет на протяжении
рассматриваемого периода – количество акций растет для каждого рынка независимо от
выбора порога дней с торгами.
Рассмотрение всех порогов для всех стран приводит к нагромождению результатов, что
вынуждает выбрать один порог количества торговых дней с реальными сделками. Если
увеличивать порог количества дней, необходимых для включения акции в рассмотрение,
то мы получаем данные лучшего качества, так как нам почти не приходится их сглаживать.
К сожалению, при увеличении порога нами также выводятся из рассмотрения часть
акций. Проведя серию экспериментов, мы выбрали порог, равный 300 дням, как
значение, для которого достигается разумный компромисс между желанием уменьшить
необходимость в искусственном формировании цен и в то же время включить в
рассмотрение как можно больше акций рынка.
На рисунках 1-4 приведены гистограммы распределения коэффициентов корреляции для
каждого из рассматриваемых периодов для Бразилии, России, Индии и Китая.
Рисунок 1. Гистограмма распределения коэффициентов корреляции для Бразилии.
Рисунок 2. Гистограмма распределения коэффициентов корреляции для России.
Рисунок 3. Гистограмма распределения коэффициентов корреляции для Индии.
Рисунок 4. Гистограмма распределения коэффициентов корреляции для Китая.
Анализ приведенных гистограмм позволяет говорить о похожей форме гистограмм для
Бразилии и Индии, среднеквадратичное отклонение для этих стран совпадает и равняется
0,12, хотя среднее значение существенно отличается и составляет 0,19 для Бразилии и
0,29 для Индии. Для рынка России характерно значительное количество относительно
больших корреляций, для рынка Китая характерно наличие концентрации отрицательных
корреляций. Если рассматривать рынки с точки зрения среднего значения корреляции, то
рынки России и Бразилии близки (значения равны 0,17 и 0,19 соответственно), рынки
Индии и Китая более связные (значения равны 0,29 и 0,35 соответственно).
Среднеквадратичные отклонения составляют для Бразилии и Индии 0,12, для России –
0,15, для Китая – 0,14.
Сравнение фондовых рынков с использованием модели графа рынка.
Важным шагом построения графа рынка является выбор порога. Для России интересными
для анализа значениями порога являются пороги от 0,5 до 0,7. В случае увеличения
значении порога граф рынка перестает быть связным, в случае уменьшения значения
порога граф становится очень плотным и анализ размера и состава клик перестает быть
содержательным.
Для корректности проводимого сравнения графов рынков стран БРИК необходимо
выбирать пороги, которые соответствуют порогам рассмотрения графа фондового рынка
России. В качестве критерия соответствия порогов нами было выбрано равенство
плотности ребер получающихся графов. Таким образом, для Бразилии мы рассматриваем
пороги 0,44, 0,51, 0,59, для Индии - 0,53, 0,61, 0,67, для Китая – 0,61, 0,7, 0,79.
Для предложенных значений порога для каждого рассматриваемого интервала нами
были построены графы рынка и подсчитаны размеры максимальной клики с помощью
алгоритма Каррагана и Пардалоса [5]. Результаты расчетов приведены в таблице 3.
Таблица 3. Динамика размера максимальной клики.
№
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Бразилия
Россия
Индия
Китай
0,44 0,51 0,59 0,5 0,6 0,7 0,53 0,61 0,67 0,61 0,7 0,79
14
7
3 20 13
7
16
8
4
10
6
3
13
6
4 21 12
7
17
9
4
12
7
3
12
9
5 20 12
8
18
10
4
13
9
4
12
8
5 21 13
8
19
11
5
14 11
3
15
9
6 20 12
8
19
11
5
14 11
5
14
10
5 21 13
8
21
12
5
19 12
7
12
9
4 21 12
7
18
11
6
17 11
6
16
12
8 23 12
7
20
12
6
17 11
5
16
12
9 24 12
7
20
10
5
17 11
5
11
9
7 14
9
4
15
8
5
15 11
4
10
7
5 12
7
3
13
6
3
13
9
5
10
7
4 10
6
4
12
5
3
12
7
6
11
7
5 10
6
3
8
4
3
13
7
6
12
7
6
9
6
3
6
4
3
14
7
5
13
8
5 14
6
3
8
4
3
13
7
4
Максимальная клика при достаточно высоком выбранном пороге показывает
наибольшую по размеру группу акций, тесно связанных между собой. Таблица 3
показывает, что изменение размера максимальной клики для рынков разных стран
происходит согласованно. Размер клики плавно увеличивается или остается стабильным
примерно до 9 рассматриваемого периода. В периодах с 10 по 15 размер клики
уменьшается. Учет времени периодов позволяет сделать предположение о связи этого
явления с глобальным экономическим кризисом 2008 года. В годы развития кризиса
размер максимальной клики растет или остается постоянным и начинает уменьшаться в
периоды его угасания.
Важной особенностью расчетов, результаты которых были приведены выше, является то,
что на протяжении ряда периодов состав анализируемых акций не является одинаковым.
В каждом периоде отбираются для рассмотрения те акции, которые имеют достаточное
количество дней торгов в конкретном периоде. К сожалению, подобный способ отбора не
позволяет оценивать количество вхождений акций в клику на протяжении ряда периодов.
Поэтому при дальнейшем анализе построенного графа рынка нами отобраны те акции,
которые входят во все периоды рассмотрения. Для Бразилии это 107 ценных бумаг, для
России - 119, для Индии - 178, для Китая - 125.
Расчет максимальных клик только для акций, которые торговались во всех рассмотренных
периодах, дает другие результаты, но, несмотря на небольшое изменения абсолютных
значений, тенденция по росту или сохранению размера клики в первые 9 периодов
сохраняется.
В таблице 4 приведены данные по тем акциям, которые входили в одну из максимальных
клик в 8 и более периодах рассмотрения, а также относительный объем продаж по
ценной бумаге.
Таблица 4. Акции, входящие в максимальную клику в 8 и более периодах рассмотрения.
Страна
Эмитент ценной бумаги
Бразилия
Бразилия
Бразилия
Бразилия
Бразилия
Бразилия
Бразилия
Бразилия
Бразилия
Россия
Россия
Россия
Россия
Россия
Gerdau
Metalurgica Gerdau
Banco Bradesco
Banco do Brasil
Cyrela Brazil Realty Emprs e Parts
Vale S.A.
Klabin
B2w - Companhia Global do Varejo
Itausa - Investimentos Itau S.A.
Газпром ОАО (Gazprom OAO)
НК Роснефть ОАО (Rosneft Oil Company OAO)
Сбербанк России ОАО (Sberbank of Russia OAO)
НК Лукойл (Lukoil Oil Company)
Татнефть имени В Д Шашина ОАО (Tatneft imeni V D Shashina
JSC)
МТС ОАО (MTS JSC)
Сбербанк России ОАО (Sberbank of Russia OAO)
Газпром нефть ОАО (Gazprom neft OAO)
Сургутнефтегаз ОАО (Surgutneftegaz OAO)
Татнефть имени В Д Шашина ОАО (Tatneft imeni V D Shashina
JSC)
НЛМК ОАО (NLMK JSC)
Северсталь (SeverStal)
DLF Ltd.
Jaiprakash Associates Ltd.
State Bank of India
Kotak Mahindra Bank Ltd.
Россия
Россия
Россия
Россия
Россия
Россия
Россия
Индия
Индия
Индия
Индия
Колич.
периодов
15
15
13
13
12
11
9
9
8
13
13
13
13
12
Относит.
объем
3,12%
0,81%
4,15%
2,79%
1,51%
16,88%
0,29%
0,69%
2,13%
28,00%
5,44%
26,77%
9,74%
0,72%
11
10
10
9
9
0,58%
3,30%
0,36%
0,93%
0,04%
9
9
13
12
11
11
0,24%
1,08%
1,56%
0,96%
2,52%
0,38%
Индия
Индия
Индия
Индия
Индия
Индия
Индия
Индия
Китай
Китай
Китай
Китай
Китай
Китай
Китай
Китай
Китай
Китай
Китай
IDBI Bank Ltd.
Reliance Capital Ltd.
ICICI Bank Ltd.
Larsen & Toubro Ltd.
Reliance Infrastructure Ltd.
Axis Bank Ltd.
IDFC Ltd.
YES Bank Ltd.
BANK OF COMMUNICATIONS CO., LTD.
CHINA CITIC BANK CORPORATION LIMITED
CHINA MERCHANTS BANK CO., LTD.
HUA XIA BANK CO., LTD.
BANK OF BEIJING CO., LTD.
BANK OF NINGBO CO., LTD.
CHINA CONSTRUCTION BANK CORPORATION
INDUSTRIAL BANK CO., LTD.
BANK OF CHINA LIMITED
INDUSTRIAL AND COMMERCIAL BANK OF CHINA LIMITED
BANK OF NANJING CO., LTD.
11
11
10
10
9
8
8
8
15
15
14
14
14
13
12
12
10
9
8
0,44%
2,46%
1,86%
1,53%
10,92%
0,77%
0,60%
0,23%
1,07%
0,55%
3,15%
1,14%
0,81%
0,47%
1,15%
1,82%
0,96%
2,04%
0,51%
Каждый из рассмотренных рынков имеет набор акций, которые входят в максимальную
клику в течение более чем восьми периодов. Для вычисления того, какие акции входят в
максимальную клику мы использовали алгоритм Брона-Кербоша [4] для нахождения всех
клик.
Объемы продаж акций, входящих в максимальную клику в большом количестве
периодов, разнятся. Для Бразилии это 32%, для России - 77%, для Индии – 24%, для Китая
– 14%. Только для Китая, для которого были рассмотрены 125 акций, объем продаж
акций, входящих в максимальную клику в большом количестве периодов, является
сопоставимым со средним значением объема. Для Индии и Бразилии объем продаж по
акциям, входящим в максимальную клику выше, чем с среднем по рынку. На рынке
России акции максимальной клики доминируют, их состав близок к 80%. Во многом это
обусловлено тем, что в модельных данных Сбербанк Росси и Газпром входят в клику и в
совокупности составляют более половины продаж. Для России можно сказать, что акции,
часто входящие в максимальную клику, формируют ядро рынка и именно поведение этих
акций определяет поведение всего рынка. Это утверждение менее очевидно для
Бразилии и Индии и не относится к Китаю – фондовый рынок Китая не похож на рынки
остальных рассмотренных стран по этой характеристике.
Заключение.
Использование модели графа рынка позволяет сравнивать фондовые рынки различных
стран между собой по степени связности. В предлагаемой статье предложена методика
по использованию модели графа рынка для сравнения фондовых рынков разных стран и
проведено сравнение фондовых рынков стран БРИК. В совокупности со значениями
изменения индекса характеристика связности, в качестве которой можно использовать
размер максимальной клики, может дать инвесторам краткую и емкую информацию о
происходящих на рынке процессах.
Список литературы.
1. Boginski, V., Butenko, S. and Pardalos, P. M. (2003) On structural properties of the
market graph. A. Nagurney, ed. Innovations in financial and economic networks. Edward
Elgar Publishing, pp. 29-45.
2. Boginski, V., Butenko, S. and Pardalos, P. M. (2005) Statistical analysis of financial
networks. Computational statistics & data analysis, Vol. 48, pp. 431-443.
3. Boginski, V., Butenko, S. and Pardalos, P. M. (2006) Mining market data: A network
approach. Computers & Operations Research, pp. 3171-3184.
4. Bron C., Kerbosh J. (1973), Algorithm 457 — Finding all cliques of an undirected graph,
Comm. of ACM, 16, pp. 575—577.
5. Carragan R., Pardalos P.M.(1990) An exact algorithm for the maximum clique problem.
Operations Research Letters, Vol. 9, pp. 375-382.
6. Huang W-Q , Zhuang X-T, Shuang Y. ( 2009) A network analysis of the Chinese stock
market. Physica A, 388, 2956-2964.
7. Jallo D., Budai D., Boginski V., Goldengorin B., Pardalos P.M. (2012) Network-Based
Representation of Stock Market Dynamics: An Application to American and Swedish
Stock Markets. In Models, Algorithms, and Technologies for Network Analysis
(Goldengorin. B; Kalyagin V., Pardalos P. Editors.), Springer Proceedings in Mathematics
& Statistics, Vol. 32, pp. 91-98.
8. Mantegna, R.N., Stanley, H.E. (2000). An Introduction to Econophysics: Corrleations and
Complexity in Finance. Cambridge Universiy Press, Cambridge.
9. Salter-Townshend M. White A. Gollini I. Murphy T. (2012) Review of statistical network
analysis: models, algorithms, and software. Statistical Analysis and Data Mining, v. 5,
issue4, pp. 243-264
10. Визгунов А.Н., Гольденгорин Б.И., Замараев В.А., Калягин В.А., Колданов А.П.,
Колданов П.А., Пардалос П.М. (2012) Применение рыночных графов к анализу
фондового рынка. Журнал новой экономической ассоциации, № 3, стр. 66-81.
Скачать