2015. т. 19. №4

Мы анализируем стратегии оптимального исполнения, когда несколько трейдеров одновременно вовлечены в ребалансировку портфелей в одном и том же активе. Для этого случая мы получаем новые торговые стратегии, которые являются непосредственным расширением подхода минимизации линейной комбинации ожидаемых торговых издержек и их дисперсии, пред­ложенным в работах [Grinold, Kahn, 1995; Almgren, Chriss, 1999]. Однако не­смотря на то, что агрегированный поток заявок обладает некоторыми свойст­вами, присущими стратегиям Алмгрена, Крисса (а именно – монотонность и выпуклость), предложенные стратегии могут достаточно сильно отличаться от стандартных [Grinold, Kahn, 1995; Almgren, Chriss, 1999]. Так происхо­дит, поскольку каждый трейдер пытается минимизировать свои торговые из­держки и поэтому принимает во внимание влияние сделок других трейде­ров на цену актива. Мы также получаем представление торговых стратегий в динамическом равновесии Нэша в виде системы линейных дифференци­альных уравнений второго порядка, которые могут быть решены в явном виде, при условии, что трейдеры одинаково не склонны к риску и отлича­ются только размером начальной позиции. Полученные стратегии могут принадлежать двум различным классам – быть агрессивными или пассив­ными. В частности, мы показываем, что трейдеры с небольшими позициями склонны действовать агрессивно, в то время как трейдеры с большими пози­циями защищаются от агрессивных, прибегая к «замедленной» торговле. Мы также показываем, что в зависимости от параметров ликвидности и волатильности агрессивные трейдеры могут быть фронт-раннерами или контрариан-трейдерами.

В статье обсуждается применимость самого понятия «экономические циклы» к различным периодам функционирования российской экономики (плановой экономике, трансформационному спаду, современной рыночной экономике). Высказывается мнение, что все многообразие факторов, способных вызвать как позитивные, так и негативные среднесрочные изменения экономической активности, можно разделить на три группы: исчерпание прежней или появление новой модели роста; благоприятные или неблагоприятные внешние шоки; неадекватные или, напротив, конструктивные иточные действия властей. С этой точки зрения, среднесрочные колебания экономической активности могут быть представлены в качестве последовательности непериодических спадов и подъемов, т.е. могут быть описаны в системе понятий, характерной для анализа экономических циклов.

На этой основе в статье определяется последовательность поворотных точек (пиков и впадин) российского экономического цикла с начала 1980-х го­дов вплоть до середины 2015 г. Поскольку нет ни одного статистического показателя, который помесячно рассчитывался бы в течение всего этого периода, мы использовали целый набор индексов (как официальных, так и аль­тернативных, оцененных экспертами), в частности, шесть индексов промыш­ленного производства и три индекса выпуска базовых отраслей. Кроме этого, мы использовали два метода устранения сезонности (X-12-ARIMA и TRAMO/SEATS) и четыре метода датировки поворотных точек (метод ло каль­ных экстремумов, методы Брая – Бошана, Хардинга – Пэгана, и модель с марковскими переключениями). Поскольку разные комбинации исходных данных в сочетании с различными формальными методами их обработки нередко давали разные оценки пиков и впадин, окончательное решение принималось на основе нескольких дополнительных, не до конца формализуемых, критериев. Итоговый набор поворотных точек представляется вполне разумным и легко интерпретируемым, однако для достижения консенсуса в экспертном сообществе необходимы дополнительные исследования и обсуждения.

В данной работе на основе классических методов была выработана собственная методика датировки бизнес-цикла российской экономики в постсоветское время, начиная с середины 1990-х годов. Целью данной работы является выявление и датировка бизнес-циклов, имевших место в российской экономике за последние полтора десятка лет. В качестве базового подхода были использованы методы Хардинга – Пейгана и Гамильтона. Таким образом, были получены даты точек перелома справочного российского бизнес-цикла со второй половины 1990-х годов. Следует отметить тот факт, что оба метода датировки дают во многом схожие результаты. В качестве исходных в работе использовались данные из статистики национальных счетов, предоставляемые Росстатом, а также получаемые на их основе данные по различным секторам экономики из Единого архива экономических и социологических данных НИУ ВШЭ. Основной вывод работы состоит в том, что в течение 1998–2014 гг. российская экономика прошла два полных цикла экономической активности с доньями в октябре 1998 г. и мае 2009 г. и пиками в апреле 2008 г. и сентябре 2012 г. Начиная с этого месяца российская экономика в течение двух лет находилась в стабильном состоянии, не демонстрируя экономического роста, а начиная с 2015 г. перешла в значительную рецессию. В работе также проведена датировка циклов роста. Основной вывод состоит в том, что в этом случае были выделены в экономике еще две рецессии в цикле роста: с ноября 2001 г. по июнь 2002 г. и с июня 2004 г. по январь 2005 г. Последняя рецессия в цикле роста началась в январе 2012 г.

В работе предлагается теоретическое объяснение влияния политиче­ских режимов, а также экономического неравенства на уровень барьеров входа на рынки, степень перераспределения и темпы технического прогресса и экономического роста. В предложенной модели объединяются два под хода, разработанных в теории роста и политической экономии развития: мо­дели эндогенного роста вертикальных инноваций и подход новой политической экономики, согласно которому политические институты влияют на общественный выбор экономических институтов, которые в свою очередь обуславливают долгосрочные темпы роста. На первом шаге рассматриваемой игры агенты, неоднородные по своим доходам, способностям и политическому влиянию, принимают коллективное решение относительно параметров экономической политики (уровня перераспределения доходов и величины барьеров входа на рынок), на втором шаге агенты принимают экономические решения об инвестициях, производстве и потреблении. Политические режимы отличаются друг от друга распределением голосов при принятии коллективных решений между различными членами общества. Модель объясняет феномен, согласно которому переход к демократии в краткосрочном и среднесрочном периодах уменьшает неравенство доходов, однако не всег­да приводит к формированию институтов, создающих равные возможности. В модели влияние политических режимов на барьеры входа на рынок зависит от первоначального уровня неравенства доходов и навыков, а также от среднего уровня навыков в обществе. В обществе с высоким уровнем неравенства доходов и навыков более вероятно возникновение коалиции агентов, предпочитающих высокий уровень барьеров входа на рынки. Эта коалиция включает наиболее богатых и наименее квалифицированных членов об­щества. Одним из результатов работы является обоснование различных сце­нариев воздействия демократизации на барьеры входа на рынок и темпы экономического роста. Результаты модели проиллюстрированы на четырех исторических примерах «третьей волны» демократизации.

Одним из источников информации для анализа выгодности инвестиций могут служить доходности по государственным облигациям с разными сроками до погашения. Однако непосредственному использованию этих доходностей мешает то обстоятельство, что облигации редко бывают бескупонными. Поскольку выплаты по облигации делаются в разные сроки, цена облигации представляет собой сумму нелинейных слагаемых со ставками, относящимися к разным срокам до погашения. Проблема получения бескупонных доходностей по данным о ценах облигаций наиболее остро стоит для рынков, подобных российскому, где объемы торговли не столь большие и сделки происходят не очень часто.

В статье предлагается сравнительно простой в реализации метод построения параметрической кривой бескупонной доходности по данным о це­нах, в котором параметры кривой и волатильность случайных возмущений предполагаются меняющимися во времени, причем распределение случайных возмущений имеет толстые хвосты. Метод основан на модификации классического фильтра Калмана за счет использования скор-вектора уравнения измерения и соответствующей информационной матрицы. Наиболее близкие аналоги предложенного метода – это подходы GAS (generalized autoregressive score) и DSC (dynamic conditional score). Метод не требователен к исходным данным, поскольку является робастным к выбросам. Оценки кривой процентных ставок получаются адаптивным образом, с учетом текущей рыночной ситуации. Работоспособность метода проверена на данных о рынке российских государственных облигаций за период с января 2008 г. по ап­рель 2015 г. Получены оценки параметров динамической кривой Нельсона – Сигеля за этот период.

Вопрос о применении концепции агрегированных и репрезентативныхагентов в современной экономической науке стоит достаточно остро. В тео­ретической модели [Малахов, Поспелов, 2014] показано, что распределение банков по долям активов является стабильным во времени. Если этот вывод выполняется на практике, то это будет еще одним свидетельством в пользу использования концепции агрегированных агентов при моделировании банковского сектора, что в свою очередь является актуальной темой для исследователей макроэкономики. В данной работе мы выполняем эмпи­рическую проверку этого результата на примере банков России. Помимо ак­тивов в работе исследуются и другие ключевые показатели деятельности банков, такие как депозиты домохозяйств, кредиты фирм и т.д., так как ста­бильность распределений долей этих показателей также может выступить дополнительным аргументом для использования концепции агрегирован­ного агента. Цель данной работы – подбор оптимальной формы распределения российских банков по долям ключевых показателей и проверка стабильности этой функциональной формы во времени. Актуальность данной работы также подтверждается происходящими изменениями в экономике России и банковской отрасли в частности.

Мы показываем, что, используя обобщенные варианты известных распределений, можно достаточно точно описать распределение российских банков по указанным показателям оборотной ведомости. В частности, распределение Парето IV типа и асимметричное обобщенное распределение ошибок дают крайне высокую точность аппроксимации, причем полученные результаты верны для всех рассматриваемых показателей. Подобранные функциональные формы распределений являются устойчивыми как во вре­менном, так и в кросс-секционном измерении. При этом, отдельные банки могут перемещаться по распределению, хотя сама функциональная форма распределения является стабильной. Таким образом, можно говорить не о распределении конкретных банков, а о распределении, описывающем всю российскую банковскую систему.

Оценки параметров подобранных распределений для долей активов имеют слабо выраженную динамику, которая потенциально может быть связана со структурными изменениями в банковской системе России. Тест Колмогорова – Смирнова показал, что только при разнице в восемь месяцев и более распределения долей активов отличаются на пятипроцентном уров­не значимости. Таким образом, можно утверждать, что модель [Малахов , Поспелов, 2014 ] в целом проходит эмпирическую проверку.