Содержание к диссертации
Введение
Глава 1. Анализ методов и средств поддержки решений в сфере фондов коллективных инвестиций 12
1.1 Анализ мирового рынка и обзор современных подходов к оценке эффективности взаимных фондов 12
1.2 Становление и развитие рынка паевых инвестиционных фондов в Российской Федерации 26
1.3 Анализ инструментов поддержки решений инвесторов на российском рынке паевых инвестиционных фондов 37
Выводы по первой главе 47
Глава 2. Математические и инструментальные методы поддержки принятия решений на рынке паевых инвестиционных фондов 50
2.1 Обоснование применения нечткого метода анализа иерархий при выборе оптимального паевого инвестиционного фонда 50
2.2 Методика многокритериального выбора паевого инвестиционного фонда58
2.3 Инструментарий прогнозирования доходности паевых инвестиционных фондов на основе технологии нейронных сетей 64
Выводы по второй главе 75
Глава 3. Разработка инструментария поддержки принятия решений для рынка паевых инвестиционных фондов РФ78
3.1 Нечткое моделирование многокритериального выбора паевого инвестиционного фонда с учтом индивидуальных предпочтений инвестора 78
3.2 Формирование и критическая оценка моделей прогнозирования доходности паевых инвестиционных фондов 97
3.3 Разработка структуры комплексной системы поддержки принятия решений «ПИФ. Выбор-Прогноз» 108
Выводы по третьей главе 114
Заключение 117
Список использованной литературы 120
Приложения 129
- Становление и развитие рынка паевых инвестиционных фондов в Российской Федерации
- Анализ инструментов поддержки решений инвесторов на российском рынке паевых инвестиционных фондов
- Методика многокритериального выбора паевого инвестиционного фонда
- Формирование и критическая оценка моделей прогнозирования доходности паевых инвестиционных фондов
Становление и развитие рынка паевых инвестиционных фондов в Российской Федерации
Динамичное развитие российской финансовой системы за последние 20 лет привело к зарождению целой индустрии, связанной с привлечением денежных средств граждан для финансирования различных инвестиционных проектов или осуществления инвестиций в уже существующие активы. Финансовые резервы, которыми обладают частные лица, представляют колоссальный инвестиционный потенциал, что, в рыночных условиях, способствует становлению рынка коллективных инвестиций - механизма, способного непрерывно аккумулировать и управлять деньгами частных инвесторов [16].
Катализатором развития российского рынка коллективных инвестиций стала приватизационная программа, в процессе реализации которой появились чековые инвестиционные фонды (ЧИФы), став предтечей и прообразом современных ПИФов. Так, в соответствии с Указом первого Президента РФ № 1186 «О мерах по организации рынка ценных бумаг в процессе приватизации государственных и муниципальных предприятий» от 7 октября 1992 года [47], а также рядом других нормативных актов, ЧИФы создавались с целью обеспечения инвестирования приватизационных чеков (ваучеров), полученных населением в процессе ваучерной приватизации и, далее, обеспечения профессионального управления активами фонда [86]. Однако фрагментарность и противоречивость законодательных и нормативных документов, регулирующих деятельность ЧИФов, привели к тому, что развитие чековых фондов закончилось вместе с чековой приватизацией, то есть к лету 1994 года. Впоследствии ЧИФы как форма коллективных инвестиций просуществовали ещ четыре года, в течение которых Указом президента Российской Федерации «О дальнейшем развитии деятельности инвестиционных фондов» от 23 февраля 1998 года № 193 [45], было установлено, что до 1 января 1999 года все ЧИФы должны либо преобразоваться в паевые инвестиционные фонды, либо в инвестиционные фонды, либо исключить из своих наименований слова «инвестиционный фонд» (и остаться акционерным обществом) [87].
Началом развития рынка паевых фондов считается принятие Указа Президента РФ №765 «О дополнительных мерах по повышению эффективности инвестиционной политики Российской Федерации» от 26 июля 1995 года [46], в котором определялся порядок создания и функционирования нового инвестиционного института. В отличие от других форм коллективного инвестирования, которые рождались в правовом вакууме, паевые инвестиционные фонды стали создаваться только после того, как Федеральная комиссия по рынку ценных бумаг (в настоящее время Федеральная служба по финансовым рынкам) разработала и приняла солидную правовую базу для них - более 30 нормативных актов (разрабатываться нормативные акты стали с августа 1995 г., а первые ПИФы появились лишь в ноябре 1996 г.) и постаралась защитить интересы их пайщиков.
Итак, паевой инвестиционный фонд - ПИФ - является имущественным комплексом, без образования юридического лица, основанным на доверительном управлении имуществом фонда специализированной управляющей компанией с целью увеличения стоимости имущества фонда. Таким образом, подобный фонд формируется из денег инвесторов (пайщиков), каждому из которых принадлежит определнное количество пав. Отметим, что российские ПИФы были созданы по образцу американских взаимных фондов (в том числе - законодательному). Так, ФКЦБ России: установила государственный контроль за деятельностью ПИФов; разделила функции управления активами фонда и их хранение; организовала многосторонний перекрстный контроль тех организаций, которые отвечают за деятельность ПИФа; предъявила высокие требования к раскрытию информации, необходимой инвесторам для принятия грамотного решения; усовершенствовала систему отчетности; устранила двойное налогообложение, которое присутствовало в чековых инвестиционных фондах [31]. Все это значительно повысило доверие инвесторов к новому для россиян финансовому институту. Одним из ключевых элементов надежности механизма ПИФа является его инфраструктура. Она построена таким образом, чтобы максимально защитить интересы инвесторов и обезопасить их вложения. В е основе взаимодействие четырх обязательных структурных составляющих не зависимых (не аффилированных) между собой: специального депозитария, регистратора, управляющей компании, независимого аудитора. Таким образом, за каждый участок работы отвечает отдельная организация, деятельность которой строго регламентирована. Контроль со стороны государства осуществляется ФСФР. На рисунке 1.4 представлена общая структура ПИФа.
Анализ инструментов поддержки решений инвесторов на российском рынке паевых инвестиционных фондов
Справедливо будет отметить, что российский рынок ПИФов ещ очень молод по сравнению с индустрией коллективных инвестиций развитых стран. В этой связи инструменты информационной поддержки российских частных инвесторов также во многом отстают от западных аналогов. Притом что объм информационных ресурсов, посвященных паевым фондам, довольно велик, содержание и структурированность представляемой на них информации зачастую малоэффективны с точки зрения реальной поддержки принятия инвестиционных решений. Среди наиболее популярных источников информации о рынке паевых фондов можно выделить следующие Интернет-порталы: - Investfunds.ru. Проект информационного агентства Cbonds [89]. - Nlu.ru. Проект Национальной лиги управляющих [91]. - Quote.rbc.ru Бизнес-аналитический портал информационного агентства «РосБизнесКонсалтинг» [94]. Данные информационные ресурсы предоставляют открытый доступ к статистике и новостям рынка ПИФов, аналитическим коэффициентам эффективности управления фондами, а также к сервису расширенного поиска фондов, который позволяет отфильтровывать фонды по типам и специфическим характеристикам. Тем не менее одним из актуальных вопросов, который ставят перед собой инвесторы, выбирая наиболее привлекательный инструмент для размещения денежных средств, остается вопрос комплексной оценки качества работы того или иного инвестиционного фонда, позволяющей выявить предпочтительность одного фонда (в соответствии с целями инвестирования) над другим.
Обращаясь к опыту развитых стран (см. параграф 1.1), можно констатировать, что эффективным решением данной задачи в мировой практике стало регулярное рейтингование фондов. Отметим, что периодичность рейтингов является важным моментом. Это связано главным образом с изменчивостью фондового рынка, которая, во-первых, предполагает непрерывную актуализацию информации по фондовым активам и, во-вторых, вызывает необходимость внесения инвесторами относительно регулярных коррективов в их инвестиционные портфели. На сегодняшний день единственный рейтинг ПИФов, производимый на ежеквартальной основе, составляется информационным агентством Cbonds и публикуется на портале Investfunds.
Согласно методике портала Investfunds, рейтинги качества управления ПИФов представляют собой интегрированную оценку основных показателей деятельности фонда, построенную в сравнении с фондами-конкурентами и рыночными индексами (бенчмарками). По аналогии с рейтингами известного международного агентства MorningStar, рейтинги портала Investfunds дают итоговую оценку фонда путм присвоения звзд. Фонды с наивысшими показателями качества управления по сравнению с рыночным бенчмарком получают максимальную оценку - 5 звзд. Фондам с показателями качества управления существенно ниже рыночного бенчмарка присваивается одна звезда. Основными принципами составления рейтинга портала Investfunds являются [20]: - относительность оценки - рейтинг выставляется на основе сравнения фонда со всеми остальными фондами соответствующей группы; - объективность - характеристики деятельности ПИФов и итоговый рейтинг рассчитываются на основании официальных публичных статистических данных о стоимости пая и объме средств в управлении фондов, предоставляемых УК во исполнение требований нормативных актов и/или государственных регулирующих органов; - соответствие оценки предпочтениям инвесторов - методика базируется на показателях, признанных наиболее важными инвесторами в ПИФы в ходе публичного опроса, проведнного на сайте Investfunds.ru; - комплексность оценки и учёт состояния рынка - рейтинговая оценка учитывает различные показатели деятельности ПИФов и строится на базе относительных результатов ПИФов в сравнении с рыночными индексами. В рейтинг попадают сформированные открытые и интервальные паевые инвестиционные фонды акций, облигаций и смешанных инвестиций, которые отвечают следующим условиям: - Срок существования фонда составляет более трх лет от даты рейтингования; - СЧА фонда больше 10 млн рублей; - Фонд осуществляет инвестиции преимущественно в российские активы (данное условие обусловлено тем, что показатели фонда сравниваются с российскими биржевыми индексами); - По фонду есть достаточный объем данных для расчта аналитических коэффициентов. Рейтинги присваиваются отдельно в 9 рейтинг-листах по следующим специализациям [20]: 1. ПИФы акций и смешанных инвестиций машиностроения и металлургии; 2. ПИФы акций и смешанных инвестиций потребительского сектора; 3. ПИФы акций и смешанных инвестиций сектора связи и телекоммуникаций; 4. ПИФы акций и смешанных инвестиций топливной энергетики; 5. ПИФы акций и смешанных инвестиций финансового сектора; 6. ПИФы акций и смешанных инвестиций сектора электроэнергетики; 7. Неотраслевые ПИФы акций; 8. Неотраслевые ПИФы смешанных инвестиций; 9. ПИФы облигаций.
Помимо ПИФов, в итоговом рейтинг-листе отражаются результаты функционирования специализированного композитного (составного) индекса, представляющего поведение рынка за аналогичный период времени. Результат специализированного индекса оценивается в 3 звезды, что и служит контрольным показателем, по отношению к которому оцениваются результаты ПИФов. Таким образом, в качестве бенчмарка для неотраслевых фондов акций используется индекс ММВБ, для неотраслевых фондов смешанных инвестиций - композитный индекс, полученный из индекса ММВБ и индекса IFX-Cbonds, для отраслевых фондов – соответствующие композитные индексы, построенные на основе отраслевых индексов ММВБ, а для фондов облигаций – композитный индекс рынка облигаций. Заметим, что оценка результатов функционирования композитных индексов проводится по тем же показателям, что и результаты ПИФов.
Так, для целей рейтингования ПИФов акций и смешанных инвестиций производится расчт следующих числовых показателей [20]: 1. доходности фонда за период 3 года; 2. доходности фонда за период 1 год; 3. коэффициента Сортино фонда за период 3 года; 4. величины Value-at-Risk (VaR) фонда за период 3 года; 5. среднемесячная величина СЧА фонда за период 1 год. Следует отметить, что для рейтингования ПИФов облигаций расчты коэффициента Сортино и величины VaR не производятся. Итак, рассмотрим используемые для рейтингования фондов показатели более подробно. Доходность фонда на дату формирования рейтинга в квартале i рассчитывается по формуле: (1.14) где: SPricei – цена пая на конец квартала i; n=4 и 12 при оценках доходности за периоды 1 и 3 года соответственно. Для учта рисков, которые допускают управляющие фондом, рассчитываются коэффициент Сортино и показатель VaR. Коэффициент Сортино показывает доходность фонда, взвешенную по риску. Чем выше этот показатель, тем фонд более эффективно управляется с точки зрения сочетания доходности и риска. При этом коэффициент Сортино учитывает только отрицательные колебания доходности. Таким образом, он элиминирует положительные изменения в доходности, которые не создают для пайщика фонда риска потерь. Для расчта коэффициента Сортино, согласно методике портала Investfunds, применяться следующая формула: (1.15) где: yfund – это значение доходности фонда за 36 календарных месяцев, предшествующих дате расчта. Доходность определяется как прирост стоимости пая за 36 календарных месяцев (без учта скидок, надбавок, а также налогов); r – это процентная ставка по депозитам в рублях для населения за 36 календарных месяцев; – стандартное отклонение отрицательной доходности фонда. Рассчитывается как среднеквадратическое отклонение месячной доходности фонда за 36 календарных месяцев, предшествующих дате расчта. При этом из базы расчта исключаются данные положительной доходности фонда [91]. Для расчта коэффициента VaR применяется следующая формула: (1.16) где: – среднее значение доходности фонда за 36 месяцев. Доходность определяется как прирост стоимости пая за каждый месяц (без учта скидок, надбавок, а также налогов); k – число стандартных отклонений, определяющее значение VaR. Для уровня значимости в 95% это значение будет составлять 1,645; – стандартное отклонение доходности фонда.
Методика многокритериального выбора паевого инвестиционного фонда
Одним из ключевых этапов решения рассматриваемой оптимизационной задачи является формирование инвестором лингвистических оценок при попарном сравнении друг с другом критериев выбора ПИФов. Данная процедура необходима для определения весов коэффициентов важности критериев, что, в свою очередь, дат возможность выявить инвестиционные предпочтения и учесть ограничения, которые имеет инвестор.
Принципиальное отличие лингвистической оценки от числовой состоит в том, что е значениями являются не числа, а слова или предложения в естественном или формальном языке. Лингвистическая оценка позволяет приближенно описывать явления, которые сложны и не поддаются описанию в общепринятых количественных терминах. Слова, являющиеся значениями лингвистической оценки, называются термами и объединяются в терм-множество. Термы можно рассматривать как имена нечтких множеств, заданных на универсальном множестве U и имеющих определенную функцию принадлежности. Если X – элемент терм-множества лингвистической оценки x, то это есть название нечткого множества или [28]. Так, для сравнения критериев введм терм-множество T(x) лингвистической оценки x=«важность критерия». Оно будет включать девять термов и может быть выражено следующим образом: Т(«важность критерия») = «абсолютное превосходство» «существенное превосходство» «очень сильное преимущество» «сильное преимущество» «достаточно сильное преимущество» «слабое преимущество» «крайне слабое преимущество» «ничтожное преимущество» «равная важность». Для проведения субъективных парных сравнений в работе [40] была предложена шкала относительной важности. В таблице 2.1 приведена е модификация с нечткими числами.
Так как элементы, составляющие , являются отношениями качественных, а не количественных, характеристик, необходима проверка матрицы на согласованность. Для этого трансформируем нечткую матрицу в три чткие матрицы А1=Щ}, A2={mif}, Аз={щ), где Url/lju mirl/mjU щ=1/ил соответственно. Затем для каждой из этих матриц необходимо определить так называемый индекс согласованности ( ). Индекс согласованности дат информацию о степени нарушения численной (кардинально) и транзитивной (порядковой) согласованности [8, 12]. Порядок его определения заключается в следующем. Сначала проводится суммирование элементов по каждому столбцу матрицы, затем сумма первого столбца умножается на величину первой компоненты нормализованного вектора приоритетов, сумма второго столбца на вторую компоненту и т. д. Полученные числа суммируются. Таким образом, можно получить величину, которую обозначим как Хтах. Формула индекса согласованности выглядит так [10]: =(Хтах-п)/(п- 1), (2.8) где п - количество сравниваемых элементов (оно равно числу критериев оптимальности).
Далее сравним каждую полученную величину с той, которая получилась бы при случайном выборе количественных суждений из шкалы 1/9; 1/8; 1/7,..., 1; 2,..., 9, но при образовании обратно симметричной матрицы. В работе [27] получены и рекомендованы для использования следующие средние индексы согласованности для матриц разного порядка (т.е. n):
Величина не должна быть более 10%. Если она выходит за эти пределы, то ЛПР нужно заново исследовать содержательную е сторону и соответствующие количественные оценки элементов и внести необходимые изменения в исходные данные [16]. В таком случае, возникает необходимость повторного, уточняющего опроса инвестора. Заметим, что отношение согласованности для матрицы находим как усредненное значение отношений согласованности матриц А1, А2, А3. Далее найдем вектор приоритетов матрицы . Для этого применим метод Extent Analysis, позволяющий получать веса из нечтких матриц парных сравнений (представленных ТНЧ). Данный метод предполагает сравнение нечтких чисел, которое проводится на основе значений степеней возможности (degrees of possibility). Степень возможности представляет собой специальный индекс для сравнения двух ТНЧ. Графически степень возможности того, что одно ТНЧ больше другого (например, ), отображается как значение оси ординат в высшей точке пересечения функций принадлежности данных нечтких чисел .
Решение задачи выбора фонда в общем виде Представим аналитическое решение задачи выбора оптимального ПИФа. Постановка задачи. Имеется M альтернатив (Um, m ). Требуется выбрать лучшую альтернативу U по N критериям (Kn, n ). Критерии оценки различаются весами важности wn. Методика многокритериального выбора ПИФа включает следующие шаги: 1. Задание нечткой шкалы для учта размытости суждений инвесторов при оценке важности критериев; 2. Формирование треугольной нечткой матрицы для попарного сравнения критериев Kn между собой; 3. Вычисление отношения согласованности для матрицы с целью проверки суждений инвесторов на непротиворечивость; 4. Нахождение весов вектора приоритетов wn матрицы для выявления важности критериев Kn; 5. Формирование векторов приоритетов альтернатив по каждому из критериев ( – вес m-ой альтернативы по n-му критерию); 6. Нахождение интегральной оценки каждой альтернативы: (2.15) 7. Итоговое ранжирование альтернатив, при котором: (2.16)
Формирование и критическая оценка моделей прогнозирования доходности паевых инвестиционных фондов
Ключевой задачей данной части работы является оценка эффективности применения ИНС для разработки прогностических моделей доходности ПИФов. Кроме этого, особый интерес представляет анализ вклада объясняющих переменных (предикторов) в решающую способность сетей, что позволит дать оценочные суждения о степени индивидуального влиянии макроэкономических факторов на динамику российских ПИФов. Для решения обозначенных задач был создан информационный массив, отражающий динамику анализируемых величин за период с января 2008 года по сентябрь 2012 года по месяцам. Также, в контексте оценки точности прогнозов, проведн сравнительный анализ эффективности нейросетевого и эконометрического подходов к прогнозированию. Подбор предикторов для прогностического моделирования Эффективность прогностических моделей во многом зависит от выбора предикторов. Как было отмечено в параграфе 2.3, в ходе рассматриваемого исследования было принято решение об учте влияния как экзогенных, так и эндогенных переменных. При таком подходе, с одной стороны, обеспечивается экономическая обоснованность модели, а, с другой стороны, учитывается динамика самого финансового инструмента. Так, для определения экзогенных факторов был проведн анализ макроэкономических индикаторов, которые могут оказывать влияние на рынок ПИФов. В связи с этим были рассмотрены показатели, оценивающие следующие сферы экономики РФ: - рынок благ — показатели экономического роста: ВВП, ВНП и др.; - рынок труда — показатели уровня занятости, безработицы; - рынок денег — показатели инфляции: темпы инфляции, денежные агрегаты и др.; - валютные рынки — соотношения курсов валют; - рынок ценных бумаг — показатели капитализации рынка акций (облигаций) [1].
Здесь следует отметить, что целый ряд научных исследований [54, 60, 63, 64] свидетельствует о том, что экономические показатели позволяют осуществлять прогнозные оценки доходности активов на фондовом рынке. Поэтому, принимая во внимание, что российские розничные ПИФы - это, по сути, диверсифицированные портфели, состоящие в основном из ценных бумаг, обращающихся на фондовом рынке, - справедливо будет предположить, что стоимости пав с некоторым временным лагом отражают изменения макроэкономических факторов.
Динамика СЧА российских ПИФов в период мирового финансового кризиса (см. главу 1 диссертации) наглядно свидетельствует о том, что, наряду с влиянием отечественного фондового рынка, российский рынок коллективных инвестиций испытывает на себе сильное воздействие внешних факторов, а особенно изменение состояния фондовых рынков в других странах. Безусловно, велико влияние на российский рынок ценных бумаг фондового рынка США, азиатских фондовых рынков и рынков ценных бумаг Западной и Восточной Европы. Анализ динамики основных фондовых индексов мирового рынка ценных бумаг позволяет сделать вывод о том, что тенденции развития этих рынков с большой степенью вероятности проявляются и на российском фондовом рынке (см. Приложение Г).
Также отметим, что помимо ситуации на развитых и формирующихся фондовых рынках, на динамику развития российского рынка коллективного инвестирования оказывают влияние и цена нефти на международных рынках и курс национальной валюты (рубля) к иностранным валютам [49].
Итак, в качестве экзогенных объясняющих переменных было выбрано 10 макроэкономических индикаторов. При этом эндогенной объясняющей переменной, в свою очередь, станет динамика стоимости пая конкретного рассматриваемого ПИФа. Все объясняющие переменные приведены в таблице 3.13.
Фонд денежного рынка Тройка Диалог - Фонд денежного рынка (FMM) Объектами инвестирования являются краткосрочные рублвые депозиты в коммерческих банках, а также российские рублвые государственные и корпоративные облигации со сроком погашения не более 12 месяцев.
Отметим, что тест Дарбина-Ватсона дал в каждом случае значение близкое к 2, что свидетельствует об отсутствии автокорреляции в разработанных моделях. Для обеспечения сходимости обучения нейросетей в первую очередь была проведена предобработка входных данных, которая осуществлялась в 2 этапа. На первом этапе на листах книги MS Excel были разнесены значения всех экзогенных и эндогенных факторов за рассматриваемый период по месяцам. На втором этапе по каждому фактору были рассчитаны месячные приращения значений. Таким образом, входные данные были нормализированы в интервале [-1,1].
Далее, с применением модуля Neural Networks программного комплекса IBM SPSS Statistics 19, были опробованы различные конфигурации нейросетевой архитектуры. Напомним, базовая структура сети, описанная в параграфе 2.3 настоящей работы, включает входной вектор, один скрытый слой и одномерный выход (прирост стоимости пая, т.е. переменная NAV). Теперь, для построения работающей, способной к прогнозированию нейронной сети, необходимо установить оптимальное число нейронов для входного и скрытого слов. Поскольку результаты эконометрического моделирования указывают на присутствие линейных связей между входами и выходом, способность сети к обобщению может быть увеличена.
Так, в качестве изначальных входных нейронов принимались переменные эконометрических уравнений для сетей соответствующих типов фондов. Затем, в порядке убывания своей значимости (основанной также на статистических критериях согласия), добавлялись новые входные элементы в сетевую структуру. Так достигался оптимальный набор нейронов входного слоя с точки зрения минимизации ошибки прогнозирования. В качестве критерия сходимости брался квадратный корень из среднеквадратичной ошибки (RMSE) между фактическими и прогнозными значениями. Расчт числа скрытых нейронов производился с помощью эвристического подхода, суть которого сводится к линейной зависимости количества скрытых нейронов от количества входных нейронов [13].
