Дилемма регулятора: влияние запрета коротких продаж на риск экстремального изменения цен на фондовых рынках1 (2024)
Весной 2020 г. пандемия COVID-19 вынудила регуляторов фондовых рынков ряда европейских стран ввести запрет на короткие продажи. Я анализирую, как этот запрет повлиял на волатильность рынков и риск экстремальных изменений цен на акции. Запрет коротких продаж считается средством предотвращения крупных обвалов фондового рынка, поскольку устранение продавцов, играющих на понижение, уменьшает вероятность падения цен на акции. Я прихожу к выводу, что введение такого запрета увеличивает показатели рыночного риска, такие как стоимость под риском и ожидаемые потери доходности акций. Установленные регуляторами требования к капиталу банков в части рыночного риска основаны на вышеупомянутых показателях. Резкое изменение любого из них усиливает уязвимость банков к колебаниям цен на акции и подталкивает их к продаже активов для устранения нарушения требований к достаточности капитала. Дополнительные продажи, вызванные последним фактором, ведут к дальнейшему снижению цен на акции. Продажа активов во время кризисов вряд ли может быть прибыльной, что, в свою очередь, также уменьшает капитал. Таким образом, запрет коротких продаж, призванный уменьшить панику на рынках, ведет к дальнейшему падению цен на акции в экономиках, где банки – ключевые игроки. Я показываю, используя данные европейских рынков за 2020 г., что запрет коротких продаж ведет к значительному повышению стоимости под риском (от 15 до 18% в зависимости от методологии расчета) и росту ожидаемых потерь на 30%.
Идентификаторы и классификаторы
В последние годы финансовые рынки все чаще сталкиваются с кризисами. Для их
предотвращения государственные органы разработали обширное регулирование.
Список литературы
1 Baltzer M., Stolper O., Walter A. Is Local Bias a Cross-Border Phenomenon? Evidence from
Individual Investors’ International Asset Allocation // Journal of Banking and Finance. – 2013. – Vol. 37(8). – pp. 2823–2835. doi: 10.1016/j.jbankfin.2013.04.009
2 Battalio R. H., Mehran H., Schultz P. H. Market Declines: Is Banning Short Selling the Solution? // Federal Reserve Bank of New York Staff Report. – 2011. – N 518.
3 Battalio R., Schultz P. Regulatory Uncertainty and Market Liquidity: The 2008 Short Sale Ban’s
Impact on Equity Option Markets // The Journal of Finance. – 2011. – Vol. 66(6). – pp. 2013–2053. doi: 10.1111/j.1540-6261.2011.01700.x
4 Beber A., Pagano M. Short-Selling Bans Around the World: Evidence from the 2007–09 Crisis // The Journal of Finance. – 2013. – Vol. 68(1). – pp. 343–381. doi: 10.1111/j.1540-6261.2012.01802.x
5 Bessler W., Vendrasco M. Short-Selling Restrictions and Financial Stability in Europe: Evidence
from the COVID-19 Crisis // Journal of International Financial Markets, Institutions and Money. – 2022. – Vol. 80. – Article 101612. doi: 10.1016/j.intfin.2022.101612
6 Boehme R. D., Danielsen B. R., Sorescu S. M. Short-Sale Constraints, Differences of Opinion,
and Overvaluation // Journal of Financial and Quantitative Analysis. – 2006. – Vol. 41(2). – pp. 455–487. doi: 10.1017/S0022109000002143
7 Boehmer E., Jones C. M., Zhang X. Shackling Short Sellers: The 2008 Shorting Ban // The Review of Financial Studies. – 2013. – Vol. 26(6). – pp. 1363–1400. doi: 10.1093/rfs/hht017 Boehmer E., Jones C. M., Zhang X. Unshackling Short Sellers: The Repeal of the Uptick Rule //
Columbia Business School Working Paper. – 2008.
8 Bris A., Goetzmann W. N., Zhu N. Efficiency and the Bear: Short Sales and Markets
Around the World // The Journal of Finance. – 2007. – Vol. 62(3). – pp. 1029–1079. doi: 10.1111/j.1540-6261.2007.01230.x
9 Card D., Krueger A. B. Minimum Wages and Employment: A Case Study of the Fast-Food Industry in New Jersey and Pennsylvania // American Economic Review. – 1994. – Vol. 84(4). – pp. 772–793.
10 Carhart M. M. On Persistence in Mutual Fund Performance // The Journal of Finance. – 1997. –
Vol. 52(1). – pp. 57–82.
11 Chang E. C., Cheng J. W., Yu Y. Short-Sales Constraints and Price Discovery: Evidence from
the Hong Kong Market // The Journal of Finance. – 2007. – Vol. 62(5). – pp. 2097–2121. doi: 10.1111/j.1540-6261.2007.01270.x
12 Diamond D. W., Verrecchia R. E. Constraints on Short-Selling and Asset Price Adjustment to Private Information // Journal of Financial Economics. – 1987. – Vol. 18(2). – pp. 277–311. doi: 10.1016/0304-405X(87)90042-0
13 Diether K. B., Lee K.-H., Werner I. M. It’s SHO Time! Short-Sale Price Tests and Market Quality // The Journal of Finance. – 2009. – Vol. 64(1). – pp. 37–73. doi: 10.1111/j.1540-6261.2008.01428.x Economic Analysis of the Short Sale Price Restrictions Under the Regulation SHO Pilot / Office of Economic Analysis U.S. Securities and Exchange Commission // SEC Working Paper. – SEC, 2007.
14 Félix L., Kräussl R., Stork P. The 2011 European Short Sale Ban: A Cure or a Curse? // Journal of Financial Stability. – 2016. – Vol. 25. – pp. 115–131. doi: 10.1016/j.jfs.2015.10.002
15 Figlewski S. The Informational Effects of Restrictions on Short Sales: Some Empirical Evidence // The Journal of Financial and Quantitative Analysis. – 1981. – Vol. 16(4). – pp. 463–476. doi: 10.2307/2330366
16 Gaar E., Scherer D., Schiereck D. The Home Bias and the Local Bias: A Survey // Management Review Quarterly. – 2020. – Vol. 72. – pp. 21–57. doi: 10.1007/s11301-020-00203-8 Hale T., Angrist N., Kira B., Petherick A., Phillips T., Webster S. Variation in Government Responses to COVID-19 // BSG Working Paper Series. – 2020. – N 32.
17 Harris L., Namvar E., Phillips B. Price Inflation and Wealth Transfer During the 2008 SEC Short- Sale Ban // The Journal of Investment Management. – 2013. – Second Quarter Issue.
18 Harrison J. M., Kreps D. M. Speculative Investor Behavior in a Stock Market with Heterogeneous Expectations // The Quarterly Journal of Economics. – 1978. – Vol. 92(2). – pp. 323–336. doi: 10.2307/1884166
19 Ho D. E., Imai K., King G., Stuart E. A. Matching as Nonparametric Preprocessing for Reducing
Model Dependence in Parametric Causal Inference // Political Analysis. – 2007. – Vol. 15(3). – pp. 199–236.
20 Hong H., Stein J. C. Differences of Opinion, Short-Sales Constraints, and Market Crashes // The Review of Financial Studies. – 2003. – Vol. 16(2). – pp. 487–525.
21 Jacobs H., Weber M. The Trading Volume Impact of Local Bias: Evidence from a Natural Experiment // Review of Finance. – 2012. – Vol. 16(4). – pp. 867–901. doi: 10.1093/rof/rfr022
22 Jaeger D. A., Joyce T. J., Kaestner R. A Cautionary Tale of Evaluating Identifying Assumptions: Did Reality TV Really Cause a Decline in Teenage Childbearing? // Journal of Business and Economic Statistics. – 2020. – Vol. 38(2). – pp. 317–326.
23 Jarrow R. Heterogeneous Expectations, Restrictions on Short Sales, and Equilibrium Asset
Prices // The Journal of Finance. – 1980. – Vol. 35(5). – pp. 1105–1113. doi: 10.2307/2327088 Jones C. M., Lamont O. A. Short-Sale Constraints and Stock Returns // Journal of Financial
Economics. – 2002. – Vol. 66(2–3). – pp. 207–239.
24 Kearney M. S., Levine P. B. Media Influences on Social Outcomes: The Impact of MTV’s 16 and Pregnant on Teen Childbearing // American Economic Review. – 2015. – Vol. 105(12). – pp. 3597–3632. doi: 10.1257/aer.20140012
25 Kipriyanov A. Short Sale Ban as Protection from Market Crash: Evidence from the European Union // Russian Journal of Money and Finance. – 2023. – Vol. 82(2). – pp. 78–105.
26 Kolasinski A. C., Reed A., Thornock J. R. Can Short Restrictions Actually Increase Informed Short Selling? // Financial Management. – 2013. – Vol. 42(1). – pp. 155–181.
27 Künsch H. R. The Jackknife and the Bootstrap for General Stationary Observations // The Annals of Statistics. – 1989. – Vol. 17(3). – pp. 1217–1241.
28 Lee S. The COVID-19 Pandemic, Short-Sale Ban, and Market Efficiency: Empirical Evidence from the European Equity Markets // Journal of Asset Management. – 2022. – Vol. 23(2). – pp. 156–171. doi: 10.1057/s41260-021-00254-w
29 Lewis J. B., Linzer D. A. Estimating Regression Models in which the Dependent Variable is Based on Estimates // Political Analysis. – 2005. – Vol. 13(4). – pp. 345–364.
30 Miller E. M. Risk, Uncertainty, and Divergence of Opinion // The Journal of Finance. – 1977. – Vol. 32(4). – pp. 1151–1168. doi: 10.1111/j.1540-6261.1977.tb03317.x
31 Politis D. N., Romano J. P. The Stationary Bootstrap // Journal of the American Statistical Association. – 1994. – Vol. 89(428). – pp. 1303–1313.
32 Roth J. Pretest with Caution: Event-Study Estimates after Testing for Parallel Trends // American Economic Review: Insights. – 2022. – Vol. 4(3). – pp. 305–322.
33 Rubin D. B. Matched Sampling for Causal Effects. – Cambridge University Press, 2006. doi: 10.1017/CBO9780511810725
34 Siciliano G., Ventoruzzo M. Banning Cassandra from the Market? An Empirical Analysis of Short-Selling Bans During the Covid-19 Crisis // European Company and Financial Law Review. – 2020. – Vol. 17(3–4). – pp. 386–418. doi: 10.1515/ecfr-2020-0019
35 Stuart E. A. Matching Methods for Causal Inference: A Review and a Look Forward // Statistical Science: A Review Journal of the Institute of Mathematical Statistics. – 2010. – Vol. 25(1). – pp. 1–21.
Выпуск
Другие статьи выпуска
В начале июля 2024 г. состоялся XII международный семинар Банка России, Российской экономической школы и базовой кафедры Банка России в Национальном исследовательском университете «Высшая школа экономики» на тему «Конкуренция в финансовом секторе – барьеры, вызовы и пути дальнейшего развития». На семинаре были представлены доклады, посвященные оценке конкуренции в банковском секторе России, экономическим причинам доминирования крупных игроков в отдельных сегментах финансового рынка, влиянию цифровизации и развития экосистем на конкуренцию в финансовом секторе, выгодам и издержкам для общества.
В начале июля 2024 г. Европейский центральный банк провел форум по вопросам политики центральных банков «Денежно-кредитная политика в эпоху трансформации»2. В этом обзоре кратко описана академическая часть конференции с фокусом на темах инфляции, экономического роста, климатических и геополитических рисков, имеющих прикладное значение для политики центральных банков, а также на теме долгосрочных равновесных процентных ставок и их роли в принятии решений ёпо денежно-кредитной политике.
Эта работа посвящена применению ансамблевых и нейросетевых методов машинного обучения, в частности методов CatBoost и LightGBM и сверточных нейронных сетей, для прогнозирования ВВП. В исследовании используется база винтажных данных, что позволяет выявить влияние пересмотров статистической информации на точность моделей. Полученные нами результаты показывают, что комбинации нейросетевых методов сохраняют прогнозное преимущество по сравнению с эталонными моделями – авторегрессией первого порядка, динамической факторной моделью и байесовской векторной авторегрессией – на панели стран, в том числе в периоды, включающие пандемический кризис, на предварительных и пересмотренных данных. Согласно эконометрическому тесту на доверительное множество моделей, к числу наиболее точных методов прогнозирования ВВП относятся сверточные и рекуррентные нейронные сети. Пересмотры статистических данных приводят к росту среднеквадратической ошибки эталонных моделей, ансамблевых и нейросетевых методов машинного обучения.
С задачей прогнозирования инфляции методы машинного обучения справляются не хуже, а зачастую и лучше подходов, основанных на классических эконометрических моделях. Однако, несмотря на наличие временных рядов по ценам для всех товаров и услуг, являющихся отдельными компонентами потребительской корзины, для которой рассчитывается индекс потребительских цен (ИПЦ), и на то, что методы машинного обучения работают точнее с ростом объема данных, в большинстве работ покомпонентные данные ИПЦ не используются. Исследований, посвященных прогнозированию ИПЦ путем агрегации прогнозов индексов цен для отдельных категорий товаров и услуг (bottom-up approach), немного, и на их основании нельзя однозначно утверждать, будет ли агрегированный прогноз точнее, чем прогноз ИПЦ, не использующий покомпонентные данные. Мы показываем на российских данных, что в зависимости от горизонта прогнозирования покомпонентный агрегированный прогноз инфляции может быть до 1,5 раза точнее. Даже при использовании таких ставших уже классическими моделей машинного обучения, как градиентный бустинг или регрессии с регуляризацией, преимущество статистически значимо на горизонтах до полугода. Каждую компоненту инфляции и на каждый горизонт мы прогнозируем отдельной моделью независимо от остальных компонент и от остальных горизонтов.
В работе исследуется сходимость темпов роста цен на продовольственные товары в регионах России. Проведенный анализ подтверждает гипотезу о конвергенции региональной продовольственной инфляции в 2013–2022 гг. Для определения возможных изменений в динамике применяется панельное тестирование на единичный корень с использованием метода скользящего окна. Результаты тестов показывают, что за 2013–2022 гг. сходимость региональных индексов продовольственных цен к общероссийскому уровню инфляции ускорилась. Мы также рассчитываем матрицу коэффициентов взаимной конвергенции. Ее визуализация с использованием многомерного шкалирования позволяет выделить группы регионов с высоким уровнем сходимости по отношению друг к другу. В результате проведенного анализа к факторам, сдерживающим конвергенцию, отнесены различия в структуре весов товаров, используемых при расчете индексов потребительских цен, в уровне транспортно-логистической связанности и степени проникновения сетевой розницы. Исследование дополняет литературу по конвергенции инфляции тем, что не только проводит проверку гипотезы конвергенции, но и оценивает изменение сходимости в динамике, а также рассматривает взаимную конвергенцию темпов роста цен в регионах.
Издательство
- Издательство
- БАНК РОССИИ
- Регион
- Россия, Москва
- Почтовый адрес
- 107016, г Москва, Мещанский р-н, ул Неглинная, д 12 к в
- Юр. адрес
- 107016, г Москва, Мещанский р-н, ул Неглинная, д 12 к в
- ФИО
- Набиуллина Эльвира Сахипзадовна (ПРЕДСЕДАТЕЛЬ БАНКА РОССИИ)
- Контактный телефон
- +7 (495) 9747664
- Сайт
- https://cbr.ru/