Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Проблемы финансового моделирования с позиций экономической безопасности. Монография
.pdf
101
Несмотря на то что ожидаемый возврат инвестиций может быть высоким
во многих развивающихся странах, капитал не поступает туда из-за высокого
уровня неопределенности, связанной с ожидаемыми доходами.
В последнее время объяснения парадокса сосредоточено на первой
категории объяснений Лукаса – разнице в основах структуры производства. В
ряде случаев учитывается качество институтов как ключевой детерминант
притока капитала в более бедные страны [120]. В качестве доказательства
центральной роли, которую играет институциональная стабильность,
принимается объем прямых иностранных инвестиций, которые получает страна
[121]. Этот объем тесно связан с прочностью инфраструктуры и стабильностью
государственного управления в этой стране [122].
В моделях и расчетах Роберта Лукаса, а за ним и его последователей было
показано, что, если в богатой и бедной стране есть эквивалентные технологии
производства, различия в доходах на душу населения возникают только потому,
что объем капитала, используемого в более бедной стране, будет меньше, чем в
более богатой стране [123]. В результате предельная эффективность капитала
должна быть выше в более бедной стране и, таким образом, привлекать капитал.
В соответствии с расчетом Лукаса, выпуск на единицу труда, yt, является просто
функцией общего уровня технологии At в экономике и количества
используемого капитала,
, где a представляет долю капитала в процессе
производства продукции и t − индекс времени:
, в этом случае
предельная доходность капитала, rt, является просто производной от выпуска по
отношению к капиталу:
, который, если подставим
, то
формулу можно переписать следующим образом:
.
Учитывая, что доля капитала находится где-то между 0 и 1, процентная
ставка должна падать в экономике с уровнем выпуска на душу населения. При
таком предположении можно рассчитать результирующую взаимосвязь между
соотношением производства в странах с высоким и низким уровнем и
снижением нормы прибыли.
В простой модельной структуре имеются причины, которые ослабляют
ожидания больших различий в нормах прибыли. Например, общий уровень
доступной технологии не одинаков, тогда можно поиграть с различиями At или
использовать другую технологию, например, опору на человеческий или
нематериальный капитал, и утверждать, что различия там объясняют, скорее,
разницу в результатах, чем просто разницу в физическом капитале [124]. И
102
вполне возможно использовать оба этих аргумента, чтобы сократить ожидаемый
разрыв процентных ставок до небольшого числа. Но эти аргументы также
подразумевают, что рабочие в более бедных странах не становятся более
производительными или что улучшенный человеческий капитал остается в более
богатых экономиках, в то время как глобализация подразумевает как раз
обратное, но только в идеале.
Аргументы производственной функции, с одной стороны, и поведение,
которое может измениться по мере развития или изменения ограничений, с
другой стороны, выступают неким мерилом пригодности финансовых больших
моделей для отражения реальности, связанной с конвергенцией, выравниванием
доходности и переливом капитала. Неоклассическая точка зрения на процесс
конвергенции подразумевает, что бедные страны сегодня будут заимствовать
капитал у более богатых стран. Таким образом, доходы бедных стран будут расти
в соответствии с вливаниями капитала. Конечно, после того как уровни капитала
сблизятся, больше не будет дополнительной избыточной прибыли от потоков
капитала, но первые промышленно развитые нации тогда будут накапливать
финансовые требования к производительному потенциалу новых индустриально
развитых стран, что будет подразумевать выплаты процентов уже по-другому.
Действующие модели отражают этот процесс.
На современном этапе новые промышленно развитые страны
сталкиваются с изменением стимулов. Чаще всего они стремятся избежать
платежей в сторону богатых стран, имеющим к ним финансовые требования. Но
в таком случае возникают ограничения на перелив капитала или национализация
ключевых отраслей.
Таким образом, модели перелива капитала и выравнивания нормы
прибыли являются идеальными. На практике происходят обратные процессы,
которые до сих пор не учитываются действующими моделями.
2.4. Методология моделирования неопределенности финансовых рынков и
поведения финансовых посредников
Финансовая наука не может предложить любые четко определенные
законы, потому что на финансовом рынке разворачивается игра с различными
результатами и на игру воздействуют как рыночные, так и не рыночные силы,
рациональные и не- рациональные действия. С позиции Австрийской
экономической школы, в выигрыше оказываются все участники. Чисто
математически также можно вывести нулевой вариант результатов
103
взаимодействий. Но на практике есть проигравшие и выигравшие, что также
можно доказать математически.
Инвесторы и кредиторы обладают деньгами, и им необходимо выгодно их
вкладывать и получать доход; заемщикам необходимы деньги. И те и другие
рискуют, но риск у них разный. Между ними находится риск – инвесторы
рискуют своими деньгами, а заемщики занимаются рисковой деятельностью и
рискуют деньгами инвестора. Взаимодействие между инвестором и заемщиком
является главной движущей силой рынка. Соотношение спроса и предложения
формируют основу всех рыночных подвижек и перспектив.
Модели для измерения уровня волатильности и неопределенности
Простейшей моделью является индекс цены. Наиболее известны модели −
индексы текущих цен, однако имеются модели − индексы перспективных цен.
Модели − индексы текущих цен появились в 19-м веке. Среди них выделяются
индекс Доу-Джонса, S&P 500 и различные другие биржевые индексы, которых
насчитывает несколько сотен. Данные модели-индексы широко используются и
в отечественной практике. В данном разделе будут рассмотрены новые виды
моделей-индексов, имеющих прогнозную направленность и связанных с
измерением уровней волатильности и неопределенности финансового рынка.
Индекс внутренней неопределенности
Несмотря на то что невозможно предсказать будущее, существуют
индикаторы, которые измеряют текущую неопределенность рынка по
направлении к будущему (правда, достаточно краткосрочному). Такими
индикаторами называют показатели, относящиеся к индексу волатильности, или
VIX, который в инвестиционных кругах более известен как «показатель страха».
Первый вариант индекса был создан в 1993 году (расчеты ведутся по
историческим данным, начиная с 1990 г.) на Чикагской товарной бирже (СBOE).
Расчетной базой индекса стали цены на опционные контракты на акции,
включенные в индекс S&P 500 [125].
В дальнейшем был разработан целый ряд индексов, характеризующих
волатильность опционов, среди них ведущими стали следующие два: VXN –
отражает динамику рынка НАСДАК, VXD – отражает движение акций,
включенных в индекс Доу- Джонса.
Поскольку индекс рассчитывается с использованием цены, которую
инвесторы готовы заплатить за опционы, то он стал отражать устремленность
фондового рынка – информирует о будущем движении рынка, определяет его
общую тенденцию. Однако его временные границы ограничены 23–37 днями
(срок истечения опционного контракта), то есть он характеризует в среднем 30-
104
дневный рыночный тренд. Краткосрочный характер ограничивает сферу
применения индексов. Тем не менее в торговой практике он играет важную роль.
Инвесторы находятся в постоянной связи с людьми и учреждениями,
которые ответственны за решения, ведущие к перемещению капиталов. Они
имеют представление как об общих экономических условиях, так и
специфических и местных. Инвесторы осуществляют последовательный сбор
информации, что помогает им определять направления (объект), условия и время
для инвестирования. Причем инвестиционное настроение непостоянно и все
время колеблется от пессимизма к оптимизму и обратно.
Показатели волатильности рынка
С момента своего создания VIX служил важным индикатором
волатильности рынка. Высокий уровень VIX означает ожидания роста продаж,
что свидетельствует о неустойчивости рынка; низкий уровень VIX означает
устойчивый и предсказуемый рынок.
Всплески были в следующие годы:
- 1998 г. (индекс поднялся до 45) – на рынок воздействовал российский
дефолт;
- 2000 г. (до 30) – биржевой кризис акций высокотехнологичных
компаний, в основном США;
- 2003 г. (до 50) – валютные кризисы ряда стран Юго-Восточной Азии
и Океании;
- конец 2008 г. (пик 79 – 27.10.2008 и 80 – 21.11.2008) – мировой
финансовый кризис;
- середина 2010 г. (до 47 – 21.05.2010) – предполагаемые дефолты ряда
стран;
- конец 2011 г. (до 46 – 04.10.2011) – дебаты о росте задолженности;
- 2015 г. (31 – 01.09.2015) – европейский кризис беженцев;
- начало 2018 г. (5 февраля – 50);
- конец 2018 г. (24-26 декабря – 34).
Минимумы были достигнуты в следующие годы:
- 2013 г. (10 – 19.06.2013);
- 2017 г. – индекс несколько раз опускался до 9, что отражало «откат»
и общую стабилизацию глобального рынка после различных всплесков.
В 2019 гг. индекс имел среднее значение (колебался между 12 и 20
пунктами) – происходило относительно ровное развитие рынка (расчеты – авт.
по данным биржевого оператора опционного рынка Cboe Global Markets, Inc.
(Cboe) [126]).
105
Итак, VIX-индекс является важным инструментом для разработки
политики, поскольку он предоставляет важную информацию о состоянии рынка
(правда, с ограниченным временным горизонтом). Индекс определяет горизонт
для новостей и данных, которыми оперируют инвесторы и которые отражаются
на общем положении экономики и, следовательно, воздействуют на политические
решения. VIX является важным показателем для финансовых рынков. Инвесторы
используют различные инструменты при оценке экономических условий и не
полагаются ни на какую единую меру. Однако, используя этот инструмент для
мониторинга неопределенности рынка, разработчики политики могут лучше
предвидеть кратковременную волатильность рынка.
Наряду с неопределенностью финансового рынка (которая является, в
конечном счете результатом внутренних и внешних по отношению к рынку
процессов) есть общая неопределенность, которая отражается на финансовом
рынке. Она измеряется особым образом и характеризуется специальным индексом.
Основной брокерский горизонт составляет до 30 дней. Поэтому основная
масса брокеров не учитывают ожидания более длительных изменений
волатильности.
Индекс внешней неопределенности.
В 2011 г. был разработан индекс неопределенности для определения
воздействия внешней неопределенности на финансовый рынок. В основе
индекса выбранные ключевые слова из доступной информации, а также
предполагаемые изменения налогообложения, дисперсия вариантов развития и
прогнозов, прошлые и возможные в будущем экономические потрясения.
Новые модели, предназначенные для регулирования поведения финансовых
посредников
В результате регулирования сложных и комплексных систем, таких как
финансовый рынок, могут возникать непредвиденные последствия, которые
способны поставить под угрозу цели регулятора. Особенно высокие негативные
последствия возможны в случаях, когда конкурируют два сектора –
регулируемый и нерегулируемый. Дело в том, что в финансовой сфере
сложилось, по сути, два сектора – прозрачный и регулируемый официальный
финансовый сектор и нередко теневой и нерегулируемый финансовый сектор,
который по объемам деятельности сравнялся с регулируемым сектором. В таких
случаях более жесткое регулирование способно нарушить баланс между двумя
секторами и создать конкурентные преимущества у нерегулируемого сектора,
что ведет к переходу бизнеса к нерегулируемому сектору и к финансовой
нестабильности [127].
106
Модель равновесия коммерческих и теневых банков
На Западе теневая банковская система (не запрещенная законом денежно-
расчетная и кредитная деятельность, но не включенная в надзорную
деятельность государства) развивалась с 1980-х до финансового кризиса 2008 г.
за пределами сферы действия нормативно-правовой базы государственного
регулирования. В 2007 г. в США теневой банковский сектор по объему достиг
размера традиционного банковского сектора. После финансового кризиса
государственные регуляторы приступили к учету деятельности теневой
банковской системы при регулировании коммерческих банков и перешли к
включению в модели как регулируемые (традиционные коммерческие), так и
нерегулируемые (серые, теневые) банки.
В результате появились количественные модели общего равновесия,
которые включали коммерческие и теневые банки. Данные модели
предназначены для анализа воздействия на коммерческие банки теневых банков
и регулирования коммерческих банков на развитие теневых банков. Модели
учитывали возможность неплатежеспособности коммерческих и теневых
банков, а также различия в их ликвидности и качестве услуг. Известно, что
депозиты в коммерческие банки застрахованы, что обеспечивает их
повышенную ликвидность. Однако собственный и заемный капитал
коммерческих банков зарегулирован, что повышает общественные издержки на
его функционирование. В свою очередь заемные средства теневых банков
подвержены повышенному риску и менее ликвидны по сравнению с
коммерческими банками. При ужесточении требований к коммерческим банкам
возрастает безопасность коммерческих банков, но ослабляются их конкурентные
позиции по отношению к теневым банкам, и усиливается активность теневой
банковской системы в экономике.
Уровень безопасности финансовой системы за пределами теневого
банкинга в целом повышается, но в ней обеспечивается меньшая ликвидность
[128]. Но есть и обратная сторона. Так, при ужесточении требований к капиталу
коммерческих банков происходит перемещение активности в теневой
банковский сектор, что повышает хрупкость финансовой системы.
Основными характеристиками модели равновесия коммерческих и
теневых банков являются сравнение гетерогенных банков, отличающихся своей
способностью гарантировать сохранность своих обязательств, с теневыми,
достаточно разнородными банковскими структурами. Теоретически
домохозяйства предпочитают иметь взаимоотношения с относительно
безопасными и более ликвидными банками – коммерческими банками. Однако
107
теневые банки зачастую предлагают клиентам более привлекательные условия
на услуги и продукты. Модель позволяет оптимизировать требования к капиталу
для коммерческих банков с учетом сохранения их конкурентных позиций по
сравнению с теневыми банками. Такой подход отличается от принятого при
обычном регулировании банковской системы и заданным обязательствам по
собственному капиталу. Оптимальным требованием является установление
баланса благосостояния с максимально приемлемым соотношением между
ликвидностью услуг и безопасностью всего финансового сектора.
Ключевым условиями достижения данного результата являются
следующие:
- учет экономических сил, в основе которых находится принятый
уровень соотношения заемного и собственного капитала для каждого типа банка;
- сравнение качества услуг, товаров и уровней ликвидности
коммерческих и теневых банков.
Существуют две технологии моделирование банков (включая теневой
банковский сектор).
Первая технология учитывает непосредственное взаимодействие
домашних хозяйств с банками. В ее основе находится дерево целей. Такой
подход предполагает хороший стохастический результат.
Вторая технология основана на линейных связях с учетом косвенных
взаимодействий и посредничестве. Обычно банки конкурируют за доступ к
источникам дополнительного капитала, в том числе посредством выпуска акций
и формирования задолженности перед домохозяйствами. Когда банки перестают
выполнять свои обязательства по задолженности, то банковский капитал теряет
полезные свойства и часть банковской системы уничтожается (происходят
банкротства). Так, задолженность теневых банков более рискованна для
хозяйства.
Новые модели наглядно продемонстрировали, что теневые банки
повышают экономическую нестабильность и нарушают поведение
рациональных инвесторов [129]. С другой стороны, анализ U-образной функции
финансового регулирования свидетельствует, что жесткое регулирование
порождает больше забалансовых операций и ведет к теневой деятельности.
Теневой банкинг влияет на оптимальное регулирование ликвидности в
условиях несовпадения по срокам погашения [130]. В экономике материальный
внешний эффект, возникающий из-за доступа теневых банков к хозяйству,
делает неэффективным конкурентное равновесие. Теневое банковское
108
обслуживание дает банкам возможность выбора извне, позволяя им избежать
регулирования за счет отказа в доступе к государственной системе безопасности.
Основная структура модели
Домохозяйства играют важную роль в максимизации полезности
финансовых товаров и услуг посредством, в том числе, повышения их
ликвидности. Экономика получает возможность дополнительного роста за счет
расширения потребления домохозяйств. Традиционно эффективность
экономики повышается при наличии доступа к производительному капиталу.
Финансовые посредники предоставляют такой доступ. При этом возможны два
типа посредничества: коммерческое (C-банки) и теневое (S-банки). То есть
каждый из них владеет долей совокупного основного капитала и производит
продукты и услуги с использованием технологии линейного стохастического
производства. Последовательность его создания следующая (рисунок 2.1):
новый капитал создается производителями средств производства; новый капитал
продается посредникам; посредники выпускают краткосрочные долговые
обязательства и ценные бумаги, которые потребляют домашние хозяйства для
финансирования капитала через приобретение товаров и услуг; краткосрочная
задолженность двух типов банков (C+S). В ходе возникновения задолженности
банков происходит предоставление населению услуг по ликвидности.
Рисунок 2.1 – Обзорная модель взаимодействия коммерческого и теневого
банковского посредничества с хозяйством
109
Банкротство и дефолт по своим долгам могут объявить как коммерческие,
так и теневые банки. Однако последствия для домашних хозяйств будут
различные. Так, долги C-банков относятся больше к безрисковым, поскольку
государство страхует депозиты коммерческих банков (C-банков). В свою
очередь коммерческие банки находятся в зоне регулирования капитала, что
требует дополнительных расходов и ослабляет их конкурентные позиции.
S-банки находятся за рамками регулирования, поэтому у них нет
ограничений на соотношение собственных и заемных ресурсов, а их долги
рискованны для домашних хозяйств, поскольку долги неплатежеспособных Sбанков имеют небольшую часть номинальной стоимости и не гарантируются
государством. S-банки эндогенно выбирают ограничение своего кредитного
плеча и успешно конкурируют с коммерческими банками.
Модели для организации взаимоотношений с клиентами финансовых
посредников
Особым отрядом моделей являются модели, которые предназначены для
взаимодействия финансовых посредников с клиентами.
Среди таких моделей выделяются рекомендательные системы.
Рекомендательные системы представляют собой тип моделей, в основе которых
фильтрация информации, посредством которой происходит оценка и
предсказание пользовательских интересов и предпочтений.
Рекомендательные системы применяются во множестве приложений. В
последние годы они широко применяются в финансовой сфере для
взаимоотношений финансовых посредников с клиентами.
Рекомендательные модели работают как персонализированные или не-
персонализированные системы. Неперсонализированные рекомендательные
системы рекомендуют финансовые продукты и услуги клиентам на основе
мнения других клиентов. Рекомендации не являются личными для клиента,
поэтому каждый клиент получает одну и ту же рекомендацию.
Персонализированная система оценивает интересы клиентов и рекомендует
элементы, основанные на них. Рекомендательные системы могут быть разделены
на две большие категории:
- контентная фильтрация;
- совместная фильтрация.
Фильтрация на основе контента: этот подход позволяет рекомендовать
продукты и услуги, которые соответствуют требованиям клиента или похожи по
содержанию элементов на те, которые он выбирал или ему нравились в прошлом.
Данная фильтрация осуществляется путем построения сначала отношения
110
между элементом и его свойствами. Для этого строится соответствующая
матрица, а затем проводится выбор наиболее похожих элементов для целевого
элемента матрицы путем вычисления сходств на основе характеристик,
связанных со сравниваемыми элементами. При этом используются различные
математические функции. Наиболее часто используется функция подобия,
которая представляет собой скорректированный косинус и косинус
(коэффициент) Пирсона.
Совместная фильтрация: метод подбора и идентификации похожих
клиентов и рекомендации того, что предпочитают обычные (похожие) клиенты.
Эта система рекомендует общие элементы активному пользователю или
целевым пользователям по аналогии предпочтений в прошлом или с похожим
типом клиента. Сходство в предпочтениях двух пользователей рассчитывается /
оценивается на основе сходств в истории рейтинга разных пользователей.
Совместная фильтрация проводится путем вычисления сходства на основе
набора пользовательских предпочтений, которые веб-сайты е-финансовых
посредников обычно собирают из рейтинга, сделанного в отношении
финансовых продуктов и услуг. По большому счету, используемый расчет
представляет собой тот же метод, что и в содержательной рекомендации, но он
отличается тем, что сфокусирован на мнениях коллег. Эта фильтрация считается
более успешной. Она популярна и является широко применяемой техникой в
рекомендательных системах финансовых посредников.
У контентного и совместного подходов имеются свои как сильные, так и
слабые стороны. Чтобы сделать рекомендательную модель более успешной,
объединяют множество различных алгоритмов в так называемом гибридном
подходе. Гибридные модели рекомендаций используют данные о товарах,
данные о транзакциях, данные о потребительских интересах. Они также
собирают данные о возрасте, семейном положении, профессии клиента. Все это
необходимо для предоставления полноценных рекомендаций.
В последнее время получают развитие модели, построенные на гибридных
методах фильтрации, а также с использованием глубокого обучения. Последний
вид фильтрации позволяет адаптировать фильтры к персональным требованиям
и интересам клиента и перевести моделирование из механизма прямого
рекламного типа воздействия на клиента в механизм интерактивного
взаимодействия с ним.
Финансовые инновации и моделирование поведения финансовых посредников
Концептуальные переосмысления финансов и перестройка модельного
ряда происходят под воздействием финансовых инноваций, которые можно
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]