Факторы, определяющие избыточную доходность портфеля ценных бумаг паевых инвестиционных фондов

Аннотация

В статье предлагается расширение традиционного подхода к выявлению экономических факторов, влияющих на избыточную доходность российских паевых инвестиционных фондов (ПИФ). Цель исследования – установление факторов, воздействующих на избыточную доходность фондов как в агрегированном виде (для российского рынка ПИФов в целом, отдельных типов фондов и направлений их деятельности), так и для конкретных ПИФов (значимость факторов для каждого фонда в отдельности). К наиболее распространенной схеме анализа влияния факторов на избыточную доходность фондов (оценка регрессионными методами модели ценообразования с дальнейшим включением коэффициента альфа из оцененной модели в качестве скорректированной на риск доходности в модель с микро- и макроэкономическими характеристиками фонда) был добавлен: во-первых, анализ моментум-эффекта (простого и скорректированного на риск), который включается в модель Кархарта; во-вторых, тестирование гипотез о значимости коэффициентов бутстрап-методом, что, в частности, позволяет рассматривать избыточную доходность конкретных, отдельно взятых фондов. Были проанализированы данные по 667 российским паевым инвестиционным фондам за период с 2000  по 2016 г. В результате исследования были выявлены следующие факты. При выборе российских ПИФов можно ориентироваться на исторические данные (работает фактор моментума) (оптимальный период – три  месяца, хотя в последнее время лучше работает стратегия в 12 месяцев). Корректировка на риск улучшает результаты (лучше всего проявили себя меры Трейнора и Шарпа). Коэффициент α Кархарта значим только у 7% фондов выборки – не имеет смысла включать его в дальнейший анализ для абсолютно всех фондов. При оценке микроэкономических факторов фондов целесообразно разделить выборку на ПИФы, для которых избыточная доходность задается коэффициентом α, и фонды, у которых избыточная доходность определяется относительно бенчмарка (индекс ММВБ), что заметно улучшает получаемые результаты и повышает качество модели.