Полный текст

Введение

За последние годы Россия столкнулась с серьезными испытаниями, вызванными как внутренними, так и внешними факторами. Важные политические изменения, включая начало проведения специальной военной операции (СВО) и последующее введение санкций западными странами, привели к трансформации отечественной экономики [1] и отразились на российском фондовом рынке. Так, например, 24 февраля 2022 г. к закрытию торгов наблюдалось сокращение объема рынка практически вдвое: рублевый индекс Московской Биржи упал на 45%, а долларовый индекс РТС сократился более чем на 50%¹. Это связано с тем, что инвесторы восприимчивы к новостному фону и корректируют стратегии из-за политических событий: проводимой государством политики, участия во внешних конфликтах и введения санкций [2; 3].

В работе мы рассмотрим вопрос о том, как и какие именно политические новости оказывали влияние на акции российских компаний в период растущей геополитической нестабильности в течение 2021– 2023 гг. В ходе исследования проверяются гипотезы о наличии влияния политических новостей на доходности акций компаний в региональном и отраслевом разрезах. В качестве метода текстового анализа используется модель латентного размещения Дирихле, для проверки гипотез – модели временных рядов.

Научная новизна работы заключается в выделении тематических политических словарей внутри общего новостного фона и в определении тех словарей, которые влияют на доходности акций российских компаний в период кризиса. В ходе исследования было оценено влияние политических словарей на доходности акций и определено время реакции инвесторов на публикацию новостей, а также выявлены различия во влиянии политических тематик на доходности акций в отраслевом и региональном разрезах.

Работа состоит из шести разделов. В первом разделе приведен обзор литературы по изучаемой проблематике. Второй раздел посвящен формулировке гипотез. В третьем разделе приводится описание данных, используемых в анализе. Четвертый раздел посвящен описанию методологии, применяемой в исследовании. Пятый раздел содержит результаты моделирования. Шестой раздел представляет собой обсуждение полученных результатов и выводы, сформулированные на основе проведенного анализа.

1.  Обзор литературы

Инвесторы изменяют свои ожидания, учитывая не только финансовые показатели компаний, но и нефинансовую информацию [4], в том числе и новостные данные [5]. В условиях растущей асимметрии информации инвесторы могут действовать нерационально и остро реагировать («overreact») на новости [6], поэтому для получения более точных прогнозов динамики акций необходимо учитывать и события, описанные в новостях [7].

Отдельное внимание исследователи уделяют влиянию новостей на конкретные отрасли. Так, например, новостной фон связан с доходностью акций компаний из сферы фармацевтики [8], нефти и газа [9] и автомобильной отрасли [10]. Более того, одни и те же события, описанные в новостях, могут оказывать разнонаправленное влияние на доходности акций компаний из разных отраслей. Новости об эпидемии COVID-19 положительно повлияли на стоимость активов финансовых компаний и автомобильных производителей в Индии в течение 10 дней после публикации, в то время как на компании из отрасли химии, электроэнергетики и FMCG-ритейла – отрицательно [11].

Изучение влияния новостей политической тематики на фондовый рынок представляет особый интерес. Исследователи, рассматривающие влияние политических событий на стоимость акций, в основном обращаются к методу event-study [12; 13]. Данный метод подразумевает анализ влияния конкретных политических событий (например, выборов или переворотов) на стоимость активов при использовании высокочастотных данных на ограниченном периоде времени. Например, рынок акций Сантьяго упал на 49% за день в результате победы социалиста Альенде на выборах и вырос на 80% за день в результате переворота и прихода к власти Пиночета [13].

Однако на доходность акций влияют не только неожиданные политические изменения, но и уровень политической неопределенности, который главным образом связан с проводимой государством политикой. При этом на него влияют как уже совершенные властями действия, так и будущие решения, которые ожидаются инвесторами [14]. В качестве одного из способов измерения уровня политической неопределенности можно выделить индекс EPU, изложенный в [3]. Для его расчета авторы учитывают информацию в крупных новостных изданиях: чем выше доля слов «дефицит», «инфляция», «Конгресс» и других в публикуемых новостях, тем выше уровень политической неопределенности [3]. Индекс применим для разных стран, включая США, Россию и страны G10, и связан со стоимостью акций: рост политической неопределенности приводит к снижению стоимости активов [3]. Недостатком данного подхода является ограниченный список тем и слов, которые учитываются при расчете индекса. Такие важные политические изменения, как введение санкций против страны, не входят в расчет исходного индекса политической неопределенности [3], однако влияют на доходность фондового индекса [15]. В связи с тем, что уровень политической неопределенности связан с уровнем развития страны [16], для развивающихся стран важно оценивать политический риск в конкретном регионе. Шанаев и Гимире [17] учитывают региональный индекс политической неопределенности, рассчитанный на основе новостей о регионе, где находится штаб-квартира компании, что помогает объяснить отличия в премиях за риск компаний российского фондового рынка из разных регионов.

В связи с тем, что мы хотим определить политические тематики, которые могут быть связаны с доходностью акций российских компаний, и выделить их внутри общего новостного фона, оба эти подхода (событийный анализ и расчет индекса политической неопределенности) не являются применимыми в данном исследовании. Для определения тематик внутри общего корпуса текстовых данных мы обращаемся к модели латентного размещения Дирихле (Latent Dirichlet Allocation, LDA) [18]. Применение данного метода позволяет выделить в корпусе новостей набор словарей, отражающих отдельные темы. Каждый словарь состоит из списка слов, каждому из которых присвоен вес, отражающий важность слова для данной темы. Для каждого выделенного словаря вводится отдельная переменная, характеризующая частоту представленности слов из соответствующего словаря в рассматриваемой новости. Чем выше значение данной переменной, тем выше представленность выделенной темы в новости.

2.  Гипотезы

Гипотеза 1. Использование информации о политических новостях позволяет улучшить качество прогнозирования дневных доходностей акций российских компаний.

Модели, построенные на основе новостных данных, позволяют получать прогнозы доходностей акций российского фондового рынка [19]. Мы предполагаем, что средний скорректированный коэффициент детерминации оказывается выше у моделей, учитывающих прошлые доходности акций и новостные данные, чем у моделей, построенных с использованием только прошлых доходностей. Если это верно больше чем для половины компаний, мы принимаем данную гипотезу.

Гипотеза 2. Доля компаний, чьи акции подвержены влиянию политических новостей, неодинакова в различных отраслях.

Одни и те же события, описанные в новостях, могут оказывать разное влияние на доходности акций компаний из разных отраслей [11]. В работе анализируются компании из 11 отраслей. Для каждой отрасли определяется доля компаний, для которых модели, включающие данные о прошлых доходностях акций и политические новости, демонстрируют более высокий средний скорректированный коэффициент детерминации на кросс-валидации, чем модели, основанные только на прошлых доходностях. Мы предполагаем, что эти доли различаются между отраслями.

Гипотеза 3. Доля компаний, чьи акции подвержены влиянию политических новостей, неодинакова для компаний со штаб-квартирами в г. Москве и со штаб-квартирами в других регионах.

Учет региональных индексов политической неопределенности помогает объяснять разницу в политических премиях за риск российских компаний из разных регионов [17]. В данной работе анализ проводится на двух подвыборках: компании со штаб-квартирами, расположенными в г. Москве, и компании со штаб-квартирами, расположенными в других регионах. Для каждой подвыборки определяется доля компаний, для которых модели, включающие данные о прошлых доходностях акций и политические новости, демонстрируют более высокий средний скорректированный коэффициент детерминации, чем модели, основанные только на прошлых доходностях. Затем проверяется гипотеза о равенстве долей.

3.     Данные

3.1. Текстовые данные

Новостные данные были собраны за период с 1 сентября 2021 г. по 31 августа 2023 г. из Telegram. Выбор Telegram в качестве источника обусловливается тем, что с 2017 г. посты из социальных сетей влияют сильнее на российский фондовый рынок, чем новости в традиционных СМИ [19]. В итоговую выборку вошли 50 популярных Telegram-каналов, посвященных политической тематике. Политическая направленность канала и его популярность определялись с помощью рейтинга агентства по мониторингу СМИ и социальных сетей «Медиалогия»². Рейтинг политических каналов учитывает в себе ряд критериев, таких как:

1. Среднее количество просмотров одного поста канала.
2. Количество постов: не менее 10 постов за месяц.
3. Оригинальность постов: при расчете исключаются посты, содержащие репосты сообщений из других каналов.

Для попадания в итоговую выборку канал должен был входить в ежегодный или ежемесячный рейтинги агентства с 2021 по 2023 г. Итоговая выборка преимущественно включает в себя каналы политических деятелей и журналистов, а также новостные каналы. Количество собранных новостей составило 312 872.

3.2. Финансовые данные

В выборку вошли 200 компаний российского фондового рынка, которые имели в обращении обыкновенные акции хотя бы в течение одного квартала рассматриваемого периода (1 сентября 2021 г. – 31 августа 2023 г.). Дневные данные по ценам закрытия торгового дня были собраны с сайта финансовой платформы Investing.com³ для каждой компании за период с 1 сентября 2021 г. по 31 августа 2023 г. Для компаний был определен регион на основе местоположения штаб-квартиры – данный подход использовался ранее применительно к российским компаниям [17]. Итоговая выборка включает компании из 48 регионов России. В связи с тем, что около 43% выборки составляют компании, штаб-квартиры которых находятся в г. Москве, мы не рассматриваем каждый регион отдельно, а вводим бинарную переменную, принимающую значение, равное 1, для компаний со штаб-квартирами в г. Москве и значение, равное 0, для компаний со штаб-квартирами в других регионах. На основе данных, полученных с сайта информационного агентства Cbonds⁴, для каждой компании была определена отрасль: всего в анализ включены компании из 37 различных отраслей. В связи с тем, что около половины компаний относятся к четырем отраслям, для проведения анализа отрасли были сгруппированы в 11 сфер.

4.  Методология

В данном исследовании используются тексты новостей из Telegramканалов, посвященных политической тематике. Схожий подход применялся в работе [20]: авторы использовали новости из раздела «Политика» в Naver News и Google News. Для выделения словарей мы применяем модель латентного размещения Дирихле (Latent Dirichlet Allocation, LDA), а затем отбираем словари, которые содержат описание политических событий [21]. Перед применением LDA все сообщения из каналов были очищены от ссылок на сайты, «маркировок» иностранных агентов, emodji-символов, а далее были разбиты на токены, очищены от стоп-слов и приведены к единым основам при помощи стемминга по алгоритму усечения окончаний. По результатам оценивания было определено 25 словарей внутри корпуса новостей, из которых 20 относятся к политическим тематикам. Выделенные словари и слова, входящие в них с наибольшим весом, представлены в разделе «Результаты» (см. табл. 2).

Для проверки гипотез используется модель авторегрессии и распределенного лага (Autoregressive Distributed Lag, ARDL) [21]. При оценке качества моделей используется кросс-валидация. В качестве зависимой переменной используется дневная доходность акции, рассчитанная как темп прироста ежедневной цены закрытия торгов. По результатам теста Дики-Фуллера ряды доходностей каждой компании стационарны на 1%–м уровне. В качестве регрессоров, описывающих финансовые данные, используются три лага доходности акций.

При построении моделей мы придерживались методологии, предложенной Локтионовой и соавторами [22]. Сначала определялась доля, которая приходится на новости из выделенных словарей, затем полученные значения усреднялись для каждого дня. С использованием метода LASSO (Least Absolute Shrinkage and Selection Operator) и алгоритма покоординатного спуска осуществлялся отбор наиболее информативных словарей (которые исключались из моделей в последнюю очередь) для каждой компании отдельно. Далее для каждой компании оценивалась ARDL-модель, учитывающая три лага предыдущих доходностей, а также три лага и текущее значение средней доли новостей, соответствующих отобранным LDA-словарям, с применением кросс-валидации. На последнем этапе сравнивалось качество моделей, учитывающих только прошлые доходности, с моделями, дополнительно включающими новостные данные (с помощью сравнения скорректированного коэффициента детерминации).

Заметим, что добавление большего числа лагов не улучшало качество моделей. Данный вывод схож с результатами предыдущих исследований: в среднем инвесторам требуется от 1 до 3 дней для корректировки стратегии [23].

5.  Результаты

5.1. Отраслевой разрез

Чтобы определить количество компаний, доходности акций которых связаны с публикацией политических новостей, были построены ARDL-модели для каждой отдельной компании. В табл. 1 представлено число компаний, для которых модели, учитывающие как прошлые доходности, так и текстовые данные, демонстрируют более высокое качество по сравнению с моделями, включающими исключительно финансовые данные.

Учет нефинансовых данных позволяет улучшить качество прогноза доходности акций для 117 из 200 компаний (см. табл. 1). Таким образом, мы принимаем первую гипотезу: доходности акций оказываются связанными со всеми выделенными тематиками, за исключением словаря, описывающего частные военные компании (см. табл. 2).

По результатам проведения теста Пирсона на независимость не было выявлено различий во влиянии политических тематик на рассматриваемые отрасли (p-value = 0,12). Таким образом, мы отвергаем вторую гипотезу о том, что политические новости оказывают одинаковое влияние на компании из разных отраслей.

Таблица 1

Количество компаний, для которых наблюдается прирост R²

при добавлении в ARDL–модель переменных словарей

	Прирост* R2 от 0 до 0,03	Прирост* R2 от 0,03 до 0,045	Прирост* R2 от 0,045 до 0,06	Прирост* R2 от 0,06 до 0,17***
Количество компаний**	51	43	18	5

* – указан средний прирост скорректированного R² на кросс-валидации; ** – в столбцах указано число компаний, для которых качество моделей, учитывающих прошлые доходности и новостные данные, превосходит качество моделей, построенных только с учетом прошлых доходностей; *** – максимальное значение прироста скорректированного R² на кросс-валидации составляет 17 п. п.

Источник: рассчитано авторами.

 

Таблица 2

Количество компаний, для которых значим коэффициент перед переменной соответствующего словаря

 

Название словаря	5 слов, входящих с наибольшим весом в словарь	Текущее значение		1-ый лаг		2-ой лаг		3-ий лаг		Итог
		–	+	–	+	–	+	–	+
Частичная мобилизация	Закон, права, мобилизация, законопроект, документ	58	1	1	0	4	0	5	0	69*
Переговоры между странами	Переговоры, территория, встреча, Турция, безопасность	1	0	6	1	0	6	8	0	22
Недостоверная информация о действиях РФ	Фейк, западные, пропаганда, публикация, СМИ	8	0	6	0	3	1	0	1	19
Отношения с Западом	Запад, политика, случай, конфликт, государство	0	0	0	0	0	0	16	0	16
Военные действия на территории Украины	ВСУ, район, противник, пункт, направление	0	2	0	3	0	0	0	11	16
Общественные настроения	Люди, думать, понимать, знать, пытаться	0	0	7	0	0	0	7	1	15
Заявления об историческом единстве России и Украины	История, народ, СССР, язык, ценности	4	0	0	4	1	3	1	1	14**
Международная торговля	Цена, газ, нефть, поставки, санкции	0	4	3	0	0	3	2	0	12***
Государственная поддержка развития бизнеса	Развитие, проект, программа, Правительство, поддержка	0	7	0	1	2	0	0	1	11

 

Окончание табл. 2

 

Название словаря	5 слов, входящих с наибольшим весом в словарь	Текущее значение		1-ый лаг		2-ой лаг		3-ий лаг		Итог
		–	+	–	+	–	+	–	+
Суд	Суд, дело, уголовное, Навальный, преступление	1	1	0	3	0	4	0	1	10
Комментарии относительно изменений на фронте	Вопрос, события, война, рассказывать, ответ	3	0	1	2	0	0	4	0	10
Военные действия на территории России	Удар, пострадавшие, обстрел, Крым, беспилотник	0	1	0	5	1	0	0	3	10
Введение санкций против РФ	Санкции, Европа, Германия, ЕС, отношения	0	3	5	1	0	1	0	0	10
Участие Запада в СВО	Оружие, американские, Зеленский, НАТО, Байден	0	6	0	0	0	0	0	1	7
Региональная политика	Регион, губернатор, город, жители, край	0	0	2	0	0	1	0	1	4
Иностранные агенты и нежелательные СМИ	Иностранный, агент, выполняет, распространяет, юридически	2	0	0	0	1	0	0	0	3
Санкции против российских олигархов	Компания, актив, суд, крупный, олигарх	0	0	2	0	1	0	0	0	3
Российская журналистика	Соловьев, эфир, выпуск, телевидение, программа	1	0	0	0	0	0	0	1	2
Государственная Дума	Выборы, партия, депутат, Госдума, голосование	0	0	0	0	0	0	1	0	1
Частные военные компании	Бойцы, Донбасс, Пригожин, ЧВК, Вагнер	0	0	0	0	0	0	0	0	0

Примечание: в первом столбце таблицы приведены краткие названия словарей, коэффициенты перед которыми значимы в ARDL-моделях, для которых скорректированный R² на кросс-валидации выше, чем в моделях, которые учитывают только прошлые доходности. Во втором столбце для каждого словаря приведены 5 слов, входящих в него с наибольшим весом. В столбцах 3–6 приведено количество компаний, для которых коэффициент перед данным словарем является значимым на 10%–м уровне значимости:

«+» означает, что новости соответствующих тематик положительно связаны с доходностью акций, «–» – отрицательно. Исключения: * – на доходность акций компании ОАО «Коршуновский завод» оказывают влияние как текущее значение (положительно), так и третий лаг (отрицательно) словаря, описывающего частичную мобилизацию.

** – на доходность акций компании ПАО «Павловский автобус» оказывает влияние как текущее значение (положительно), так и первый лаг (отрицательно) словаря, описывающего заявления об историческом единстве России и Украины. *** – на доходность акций компании ПАО «ФармСинтез» оказывает влияние как первый (положительно), так и третий лаги (отрицательно) словаря, описывающего международную торговлю.

Источник: рассчитано авторами.

В то же время была обнаружена устойчивость некоторых отраслей к определенным тематикам политических новостей. Так, например, на доходность акций компаний из наиболее представленной в выборке отрасли (электроэнергетики) не влияют новости об изменениях в Государственной Думе и введении санкций против РФ. На доходность акций компаний из отрасли технологий и сектора химии и нефтехимии не влияют новости о военных действиях на территории России и Украины соответственно. Новости, содержащие недостоверную информацию о действиях армии РФ, не влияют на доходность акций компаний из двух отраслей: добыча и переработка нефти и газа, транспорт (см. табл. 3).

Таблица 3

Количество компаний, для которых наблюдается прирост R² при добавлении в ARDL–модель переменных словарей, в отраслевом разрезе

Отрасль	Прирост R2 от 0 до 0,03	Прирост R2 от 0,03 до 0,045	Прирост R2 от 0,045 до 0,06	Прирост R2 от 0,06 до 0,17	Всего
Автомобильная промышленность и авиастроение	4	5	2	0	11 (19)
Добыча и переработка нефти и газа	5	6	0	0	11 (18)
Металлы и добыча	6	7	1	0	14 (25)
Потребительский сектор	4	4	3	2	13 (29)
Строительство	2	1	2	1	6 (8)
Телекоммуникации	3	3	1	1	8 (9)
Технологии	1	2	1	0	4 (6)
Транспорт	1	2	1	0	4 (5)
Финансы	8	3	2	0	13 (21)
Химия и нефтехимия	3	1	0	0	4 (7)
Электроэнергетика	14	9	5	1	29 (53)

Примечание: в таблице указан средний прирост скорректированного R² на кроссвалидации. По столбцам указано число компаний из данной отрасли, для которых качество ARDL-моделей, учитывающих прошлые доходности и новостные данные, превосходит по качеству те, что построены только с учетом прошлых доходностей. В последнем столбце в скобках указано число компаний, относящихся к данной отрасли.

Источник: рассчитано авторами.

5.2. Региональный разрез

Политические новости помогают улучшить качество прогноза доходности акций для компаний со штаб-квартирами как в г. Москве (48 из 86 компаний), так и в других регионах (69 из 114 компаний). Нами не было выявлено статистических различий во влиянии политических новостей на доходности акций компаний в региональном разрезе по результатам проведения теста на равенство долей (p-value = 0,5). Существенных различий в словарях, которые оказывают влияние на доходность акций компаний в разных регионах, также не обнаружено. Таким образом, мы отвергаем третью гипотезу о том, что политические новости оказывают одинаковое влияние на стоимость акций компаний из разных регионов России.

6.     Заключение

В исследовании анализировалась связь между политическими новостями и доходностью акций российских компаний в период с 1 сентября 2021 г. по 31 августа 2023 г. Финансовыми данными выступали дневные цены акций 200 российских компаний на момент закрытия торгов. Источником политических новостей послужили 50 Telegram-каналов, посвященных этой тематике. Для анализа был использован метод латентного размещения Дирихле, который позволил выделить 20 тематических словарей из исходного новостного корпуса. В качестве переменных, описывающих политические новости в ежедневных публикациях, рассматривались текущая доля и три лага средней доли упоминаний тем, относящихся к выделенным словарям. В ходе исследования проверялись гипотезы о наличии влияния политических новостей на доходность акций в отраслевом, региональном и временном разрезах с помощью модели распределенных лагов. Было установлено, что политические новости помогают лучше предсказывать доходность акций 117 из 200 рассмотренных компаний. В то же время нами не было выявлено различий во влиянии новостей политических тематик на доходность акций компаний в региональном и отраслевом разрезах.

Мы приходим к следующим выводам. Политические новости оказывают существенное влияние на доходность акций российских компаний, вынуждая инвесторов пересматривать свои ожидания. Цены большинства акций, независимо от отраслевой принадлежности или местоположения штаб-квартиры компании, реагируют на ухудшение политической конъюнктуры. Наиболее острая реакция рынка наблюдалась на новости о проведении частичной мобилизации, причем инвесторы корректировали свои ожидания в день публикации новостей соответствующей тематики. В то же время реакция на другие политические новости (например, касающиеся переговоров между странами или отношений с Западом) часто носит отложенный характер (от одного до трех дней), что позволяет предположить: участники рынка ориентируются не только на поступающую информацию, но и на поведение других инвесторов. Высокая неопределенность, связанная с политическими новостями, затрудняет определение последствий соответствующих событий, и инвесторы не могут мгновенно сформировать собственное представление о новой фундаментальной стоимости компаний.

Полученные в работе результаты способствуют углублению понимания связи политических изменений и динамики цен акций российских компаний в период растущей геополитической нестабильности и могут быть основой для дальнейших исследований.

Примечания

¹ Фондовый рынок России упал почти на 50% // Российская газета. https://rg.ru/2022/02/24/ fondovyj-rynok-rossii-upal-pochti-na-50-procentov.html (дата обращения: 30.09.2023).

²  Агентство по мониторингу СМИ и социальных сетей «Медиалогия»: https://www.mlg.ru.

³  Финансовая платформа Investing.com: https://ru.investing.com/about-us

⁴  Информационное агентство Cbonds: https://cbonds.ru

Об авторах

Алина Александровна Локтионова

МГУ им. М.В. Ломоносова

Email: aloktionovaa@bk.ru
ORCID iD: 0009-0007-5421-1929

сотрудник кафедры «Финансы и кредит»

Россия, Москва

Ашот Гамлетович Мирзоян

МГУ им. М.В. Ломоносова

Автор, ответственный за переписку.
Email: kell56@yandex.ru
ORCID iD: 0009-0005-9275-0099

сотрудник кафедры «Экономика инноваций» экономического факультета

Россия, Москва

Список литературы

Дополнительные файлы