Архив статей журнала
В условиях постпандемийной макроэкономической нестабильности исследование волатильности валют приобретает особую значимость для финансового анализа и принятия инвестиционных решений. Волатильность является по своей сути отражением степени макроэкономической и финансовой неопределенности и степени реакции на различные события цен на биржевые активы, что обусловливает актуальность изучения реализованной волатильности ключевых для российского рынка валют на современном этапе.
Целью исследования являются выделение факторов волатильности доллара и юаня и сравнительная оценка степени реализованной волатильности этих валют на российском финансовом рынке в постпандемийный период, характеризующийся последовательной сменой периодов макроэкономической нестабильности.
Материалы и методы. В программной среде разработки и выполнения программного кода на языке Python в облаке – Google Colab – были импортированы библиотеки Pandas, Numpy, Arch, Matplotlib, Openpyxl. Для проверки гипотезы исследования и анализа волатильности курса валют использовались ежемесячные данные по валютным парам USD/RUB и CNY/RUB, загруженные с сайта investing. com. Период наблюдения – с 1 января 2020 г. по 1 апреля 2025 г. На основе этих данных в среде Google Colab была сформирована GARCH-модель, осуществлены ее параметризация и подгонка. В дальнейшем результаты GARCH-моделирования были дополнены анализом фундаментальных факторов движения курсов валют.
Результаты. Проведенное исследование позволяет дифференцировать факторы реализованной волатильности доллара США и китайского юаня на российском финансовом рынке за период с 2020 по 2025 г., охватывающий значительные макроэкономические, политические и рыночные трансформации. GARCH-модель подтвердила наличие значительно большей амплитуды колебаний курса USD/RUB по сравнению с CNY/RUB. Особенно резкие скачки были зафиксированы в марте 2020 г., феврале 2022 г. и августе 2024 г., когда доллар проявлял резкую реакцию на внешнеполитические и санкционные события. В этих условиях курс юаня сохранял относительную стабильность, демонстрируя меньшую чувствительность к макроэкономическим триггерам, что обусловило меньшую реализованную волатильность.
Выводы. Волатильность доллара на российском рынке существенно выше, особенно в периоды кризисных шоков (например, февраль–май 2022 г.), что отражает его высокую зависимость от внешнеполитических факторов и международных санкционных ограничений. Юань характеризуется меньшей реализованной волатильностью, что в условиях экономической нестабильности усиливает его привлекательность для использования в целях осуществления расчетов и хеджирования при условии развития соответствующего инструментария. Вышеперечисленное подтверждает исходную гипотезу о большей стабильности юаня по сравнению с долларом США, однако стабильность эта – нерыночного характера. Анализ периодов пиков волатильности позволил увязать рыночные реакции с конкретными макроэкономическими и политическими событиями, включая пандемию, санкционные пакеты, энергетические кризисы и изменения политики Банка России. Полученные результаты подчеркивают актуальность диверсификации валютных рисков в условиях макроэкономической нестабильности и расширения инструментария альтернативных валют (в частности, юаня) в расчетных операциях и инвестиционной практике на российском рынке.
В настоящее время возрастают роль банковского сектора в сложившейся модели пространственного развития и влияние факторов демографической обусловленности размещений банковских подразделений. Научной проблемой при этом выступает осмысление сложной связи между географическим и демографическим контекстом, а также концентрацией услуг финансовых посредников.
Целью исследования является выделение паттернов поведения клиентов коммерческих банков, обусловленных демографическими характеристиками, и формирование направлений клиентской политики коммерческого банка на основе выделенных паттернов.
Материалы и методы. В программной среде разработки и выполнения программного кода на языке Python в облаке – Google Colab – были импортированы библиотеки Pandas, NumPy, Matplotlib, Seaborn, Sklearn. Для проверки гипотезы исследования использовался набор данных Bank Account Fraud Dataset Suite (NeurIPS 2022). В отношении набора данных был реализован метод агломеративной кластеризации, позволивший обозначить кластеры активности клиентов коммерческого банка и сформировать их характеристики.
Результаты исследования. Полученные результаты подтверждают наличие связи между демографическими характеристиками населения территории, типами их экономического поведения и пользования банковскими услугами. Определены кластеры с наивысшим потенциалом с позиции сложившегося у клиента уровня дохода и возраста клиентов. Установлено, что при разработке и актуализации нишевых банковских продуктов следует ориентироваться на молодое поколение, которое по мере взросления и приобретения профессиональной позиции перейдет в кластер устойчивой клиентской базы или будет упущено банком в зависимости от степени эффективности его маркетинговой политики. Определено влияние статуса занятости и семейного статуса при отнесении клиента к тому или иному кластеру. В сочетании с геолокационными данными результаты кластеризации могут служить основой для размещения фронт-офисов в районах, где проживает наибольшее количество потенциальных и действительных клиентов коммерческого банка.
Выводы. Устойчивыми паттернами поведения клиентов выступают активное посещение банковских офисов или отказ от такого посещения в пользу дистанционных банковских услуг или экономически пассивного поведения. Банковская клиентская политика должна формироваться с ориентацией на ключевые демографические характеристики целевых клиентских ниш, дифференцированных по паттернам экономического поведения. Результаты геодемографических исследований клиентов коммерческих банков на основе предложенной методики могут способствовать разработке стратегий банковских структур по эффективному выполнению функций аккумулирования и перераспределения финансовых ресурсов. Органам государственной власти Российской Федерации и ее регионов при разработке стратегических документов рекомендуется учитывать границы и критерии влияния геодемографических факторов на развитие региональных социально-экономических подсистем, а также формировать предпосылки развития финансовых агломераций в ряде региональных социально-экономических подсистем.