WWW.DISSERS.RU

БЕСПЛАТНАЯ ЭЛЕКТРОННАЯ БИБЛИОТЕКА

   Добро пожаловать!

Pages:     | 1 |   ...   | 26 | 27 || 29 | 30 |   ...   | 58 |

Поведение акций. В работе (Li Jin, S. Myers, 2004) показано, что прозрачность компании отрицательно коррелирует с R-squared (квадрат корреляции поведения акций компании и поведения индекса общего портфеля). Кроме возможной оценки прозрачности, посредством данного показателя возможно исследование реакции рынка на различные публикации и финансовые отчетности. К сожалению, такие способы расчета далеко не идеальны. Кроме того, они предполагают, что рынок должен быть эффективным, чего нельзя утверждать в отношении российского фондового рынка. Поэтому такие методы определения прозрачности нежелательны.

По нашему мнению, наиболее подходящим показателем оценки прозрачности для российских компаний является показатель дисперсии прогнозов аналитиков.

2.3.11. Проверка гипотезы Ниже будут рассмотрены основные регрессионные модели, с помощью которых будет проверяться следующая гипотеза:

H2: В компаниях прозрачность положительно коррелирует с величиной доли наиболее крупного акционера (или группы акционеров) в компании.

Так как наиболее предпочтительной аппроксимацией прозрачности является дисперсия прогнозов аналитиков, необходимо выявить, от каких показателей эта дисперсия может зависеть, а также обсудить, существует ли связь между этими показателями и самой прозрачностью.

Прежде всего, необходимо выделить основные сектора экономики (нефтегазовая отрасль, электроэнергетика, телекоммуникации, машиностроение и т.д.), к которым относятся компании из исследуемой аналитиками выборки. Для каждой из этих отраслей прогнозы могут иметь свои особенности. Для одной отрасли поведение курса акций компании, а также ее ожидаемые доходы могут целиком определяться внешним рынком и внешней информацией (например, в нефтегазовой отрасли одним из основных индикаторов привлекательности компании являются мировые цены на нефть). Для другой – наоборот, курс акций, а также будущая прибыль компании целиком зависят от эффективности ее деятельности, перспективности проектов и стратегий и, может, в меньшей степени от общемировых новостей. Поскольку прозрачность определялась как доля раскрываемой фирмой информации, она не зависит от внешней информации, тогда как на прогнозы аналитиков такая информация оказывает влияние. Поэтому необходимо определить, к какой отрасли данная компания относится. В дальнейшем в регрессиях принадлежность к той или иной отрасли будет учитываться.

Также дисперсия прогнозов может быть связана с размером рассматриваемой компании. Причина заключается в том, что прогнозы аналитиков в основном предназначаются инвесторам. Чем больше инвесторов и чем больше у этих инвесторов размер пакета акций компании (в том числе в денежном выражении), тем больший интерес к ней со стороны этих же инвесторов. Следовательно, тем больший спрос на рынке к прогнозам, касающимся данной компании.

Это, в свою очередь, приводит к увеличению внимания к акциям со стороны аналитиков, что влияет на точность прогнозов, а значит, и на дисперсию. В частности, в работе (Brown, Richardson, Schwager, 1987) показана связь между точностью прогнозов и размером фирмы.

Однако стоит вопрос: существует ли связь между размером фирмы и прозрачностью В ряде работ путем эмпирической проверки было показано, что явной связи между данными показателями не наблюдается, поэтому будем считать, что данная связь незначительна.

Полученные оценки дисперсии могут также зависеть от числа аналитиков, исследующих данную компанию. Это может обусловливаться тем, что в зависимости от числа аналитиков, участвующих в прогнозировании цен на акции конкретной компании, исследователи могут по-разному реагировать на консенсус-прогноз. Такое поведение, когда аналитик высказывает прогнозы, почти совпадающие с общим прогнозом, при большом числе аналитиков рассматривается, например, в статье (Trueman Brett, 1994). Это, в свою очередь, может влиять на дисперсию и совершенно не зависеть от прозрачности компании. Поэтому стоит также учитывать влияние на дисперсию прогнозов и числа аналитиков.

В то же время, возможно, встает вопрос учета так называемых «ошибок измерений» (например, ошибки, связанные с тем, что прогнозы делаются не в один момент времени, отсюда разные прогнозы могут содержать разную информацию). Такие ошибки по своей природе будут давать существенные отклонения в дисперсии, так как имеют большие значения. Ошибки такого рода можно «отлавливать», включая в качестве регрессоров, например, KURTOSIS (момент четвертого порядка). Однако этого не стоит делать по той причине, что прогнозы, лежащие далеко от консенсуса, могут быть правдоподобными. Здесь стоит отметить работу (Butler Kirt C., 1991), в которой показано, что прогнозы «пессимистов» по отношению к среднему консенсусу могут быть более точными, чем оптимистические прогнозы. Тем самым учет KURTOSIS в такой ситуации привел бы к ухудшению оценки прозрачности, так как исключал бы данные, содержащие ценную информацию. Поэтому включать KURTOSIS в правую часть не стоит. При этом неинформативные точки придется относить к ошибкам измерения.

Выше был предложен начальный способ проверки гипотезы. В данной части будут предоставлены первые эмпирические результаты. Задача на данном этапе – выявить, какие из рассмотренных выше переменных следует включать в итоговую регрессию, а какие исключать. Начальная регрессия выглядит следующим образом:

k -DISFi = + Dj + ln(FIRMi ) + Ni +SHFRi + i, j (33) j=% где pi – прогноз i-го аналитика; Dj – dummy-переменная, равная 1, если компания относится к j-й отрасли, и нулю – в противном случае; k – общее число отраслей; FIRM – капитализация компании (на июнь 2004 г.); N – число аналитиков, участвующих в прогнозе;

SHFR – доля акций, приходящаяся на наиболее крупного акционера.

Прогнозы аналитиков брались для каждой компании на середину месяца (15 июня 2004 г.). В среднем на каждую компанию приходилось 7 прогнозов аналитиков. Прогнозы осуществлялись следующими компаниями: Brunswick UBS, UFG, Альфа-Банк, «АТОН ИГ», Банк «ЗЕНИТ», ГУТА-банк ИГ, МДМ-банк, «Проспект ИК», «Ренессанс Капитал», «Тройка Диалог», «УРАЛСИБ ФК», «ЦентрИнвестСекьюритис ИК».

Дисперсия прогнозов (а точнее, нормированная дисперсия) рассчитывалась по следующей формуле:

N % ( pi - p)N -i=DISF = p.

(34) N % p = pi N i= Расчет производился для 39 компаний, входящих в 6 секторов экономики: нефтегазовая отрасль, энергетика, телекоммуникации, металлургия, машиностроение и потребительский сектор.

Дисперсия прогнозов аналитиков рассматривалась только для одного месяца (июнь 2004 г.). Капитализация компаний бралась также для июня 2004 г. В качестве объясняющей переменной использовался логарифм капитализации, так как капитализация компаний различается на несколько порядков и для учета различий между всеми компаниями логарифмический подход более предпочтителен.

Информация о структуре собственности (наиболее крупный акционер, миноритарные акционеры и т.д.) бралась из HandBook (январь–июль 2004 г. Renaissance Capital).

На основании собранных данных получаются следующие коэффициенты (Приложение 3, табл. П3-1). Хотя первый результат основывается всего лишь на данных одного месяца, полученные результаты достаточно неплохие. Коэффициент при доле акций наиболее крупного акционера оказался значимым на 1%-м уровне значимости. Отрицательный коэффициент означает, что с повышением доли акций у крупного акционера уменьшается дисперсия прогнозов, а следовательно, возрастает прозрачность. Что касается других коэффициентов, то, к сожалению, большинство из них оказались незначимыми. Несмотря на незначимость dummy-переменных, их не следует удалять, так как они характеризуют разные отрасли, в которых по-разному ведется оценка прогнозов.

Кроме данной регрессии были также рассмотрены регрессии с использованием вместо доли акций у одного крупного акционера доли акций, находящихся в руках крупных акционеров (>10%).

Первая регрессия выглядит следующим образом:

k -DISFi = + Dj + ln(FIRMi ) + Ni +SHFRMi + i, j (35) j=где SHFRM – общая доля крупных акционеров.

Результаты оценки показаны в Приложении 3, табл. П3-2. Коэффициент при доле акций, находящихся у крупных акционеров, в данной регрессии оказался незначимым. При этом F-статистика оказалась незначимой на 10%-м уровне, что говорит о том, что нет значимой разницы между данными объясняющими переменными и простой константой.

Первые эмпирические результаты, полученные на данных одного месяца, показывают, что существует положительная связь между прозрачностью и долей акций, приходящейся на наиболее крупного акционера. Тем не менее большинство других переменных оказалось незначимыми, что говорит о том, что данные переменные недостаточно хорошо представляют внешнюю информацию, которая не имеет отношения к прозрачности, но при этом влияет на дисперсию.

Для более точного определения зависимости прозрачности от доли крупного акционера необходимо рассмотреть дополнительные объясняющие переменные, которые могли бы быть хорошими показателями, объясняющими дисперсию прогнозов, но не связанными с прозрачностью. Кроме того, вышеприведенные оценки показывают, что имеет смысл сосредоточиться на доле наиболее крупного акционера, нежели на доле всех крупных акционеров, так как последний показатель оказался незначим (даже на 15%-м уровне значимости).

Предполагается, что дисперсия прогнозов будущих цен на акции может зависеть от волатильности этих цен. Логично предположить, что с увеличением волатильности дисперсия прогнозов также возрастает. Считается, что волатильность слабо зависит от прозрачности компании. Это позволяет нам включать ее в правую часть регрессии, не опасаясь того, что показатель прозрачности будет искажен данной переменной.

Также стоит включить в качестве объясняющей переменной ликвидность акций. Цены ликвидных бумаг лучше отражают текущую информацию на рынке, при этом прогнозы по ним могут существенно определяться текущей ценой.

Опишем более подробно расчет каждой из используемых переменных. Для расчета волатильности акций использовались данные за весь 2003 г. Причина использования годовых данных заключается в том, что использование месячных данных для многих компаний может дать лишь приблизительные, а следовательно, искаженные, данные по той причине, что сделки по акциям данных компаний осуществляются достаточно редко (довольно часто происходит, что за месяц осуществляется всего 2–4 сделки). В качестве показателя волатильности будет использоваться стандартное отклонение доходности акции. Метод оценки волатильности будет основываться на методе простой скользящей средней. Доходность будет измеряться с помощью данных о еженедельных котировках акций в течение года.

На основании этого формула оценки волатильности будет выглядеть следующим образом:

N VOL = ri ( - r ) N -i=, (36) N pi - pi-1 ri =, r = ri pi-1 N i=где N – число наблюдений (N = 52).

В качестве ликвидности было выбрано несколько показателей.

Первый показатель основывается на объеме торгов по данному типу акций. Расчет данного показателя производился для одного месяца, предшествующего месяцу, в котором проводились прогнозы (т.е.

данные за май 2004 г.). Сам proxy ликвидности рассчитывался как логарифм объема торгов, так как величина объема торгов разными акциями может различаться на несколько порядков, следовательно, для учета различий между акциями такой подход более предпочтителен.

Кроме ликвидности, выражающейся в объеме торгов, был выделен другой proxy ликвидности – спред. Данный показатель был подсчитан, исходя из данных торгов месяцем ранее (т.е. май 2004 г.).

Для каждой компании бралось усредненное значение спреда за весь месяц. Спред рассчитывался двумя способами: первый – как разность между значениями наилучшей цены продажи и наилучшей цены покупки; второй – как разность между продажей и покупкой на начало дневных торгов. Первый proxy брался как в логарифмическом виде, так и в обычном. Второй – только в обычном (среди его значений были и отрицательные, например акции «Газпрома»).

Общий вид расчетов ликвидности с помощью спреда следующий:

LIQS =- Ai ), (Bi (37) n i где n – число дней в месяце; B – продажа; A – покупка.

В итоге проверка прогнозов осуществлялась с помощью следующего уравнения:

k -DISFi = + Dj + LIQi +VOLi + j, j=(38) + ln(FIRMi ) + Ni +SHFRi + i где DISF – дисперсия прогнозов аналитиков; Dj – dummyпеременная, отвечающая j-й отрасли; k – число отраслей; FIRM – капитализация компании; N – число аналитиков, участвующих в прогнозе; SHFR – доля акций, приходящаяся на наиболее крупного акционера. Расчет производился для 37 компаний, входящих в 6 секторов экономики: нефтегазовая отрасль, энергетика, телекоммуникации, металлургия, машиностроение и потребительский сектор.

В качестве показателя ликвидности сначала возьмем логарифм объема торгов. На основании собранных данных получаются следующие коэффициенты (Приложение 3, табл. П3-4). Достаточно много коэффициентов (в том числе показатель ликвидности акций) оказались незначимыми (хотя коэффициент при доле крупного акционера оказался значимым). Довольно удивительно то, что коэффициент при волатильности оказался отрицательно значимым. Из начально предполагалось, что дисперсия прогнозов и волатильность положительно коррелируют друг с другом, в итоге же оказалось наоборот. Это можно объяснить либо тем, что прозрачность, с одной стороны, уменьшает дисперсию аналитиков, а с другой – увеличивает поток информации на рынке, а следовательно, реакцию рынка, выраженную в определенной волатильности, отсюда и отрицательный знак, либо через определенное влияние волатильности на поведение аналитиков. Первое объяснение кажется довольно странным, если считать, что волатильность слабо определяется прозрачностью.

Если оно все же окажется верным, то встает вопрос об уместности использования волатильности в правой части. Однозначно сказать, что влияет на данную зависимость, наверное, сложно, поэтому мы не будем заранее исключать волатильность как ценную объясняющую переменную, однако чуть позже покажем, что без нее результат исследования кардинально не меняется.

Так как коэффициент при ликвидности оказался незначимым, попробуем в качестве ликвидности использовать другие показатели. В случае использования простого спрэда (спред1) регрессия получается следующей (Приложение 3, табл. П3-5) Коэффициент при спреде остается незначимым. В случае спреда с использованием данных начала торгов регрессия получается следующей (см. Приложение 3, табл. П3-6). Коэффициент при спреде остается по-прежнему незначимым. Для случая логарифма спреда – см. Приложение 3, табл.

П3-7). Посмотрим на общую таблицу корреляций переменных (табл. 2.1).

Pages:     | 1 |   ...   | 26 | 27 || 29 | 30 |   ...   | 58 |



© 2011 www.dissers.ru - «Бесплатная электронная библиотека»

Материалы этого сайта размещены для ознакомления, все права принадлежат их авторам.
Если Вы не согласны с тем, что Ваш материал размещён на этом сайте, пожалуйста, напишите нам, мы в течении 1-2 рабочих дней удалим его.