Валютные риски и минимизация их негативных последствий на примере АО «ВОКБАНК»

Построить модель прогнозирования валютного курса на краткосрочную перспективу; Дать количественную оценку валютного риска для рассматриваемого коммерческого банка; Рассмотреть альтернативные варианты управления валютными рисками коммерческого банка. Для изучения поставленной проблемы используются несколько основных методов анализа такие как модель временных рядов R-model модель Vlue-t-Risk в контексте расчета параметра VR аналитическим методом и методом исторического моделирования а также метод управления такой как хеджирование...

2015-11-06

919.78 KB

89 чел.


Поделитесь работой в социальных сетях

Если эта работа Вам не подошла внизу страницы есть список похожих работ. Так же Вы можете воспользоваться кнопкой поиск


PAGE   \* MERGEFORMAT3

Введение

На сегодняшний день валютный рынок является одним из важнейших элементов рыночной экономики. С начала 1970-х годов произошел отказ от фиксированной системы золотого стандарта и большинство стран перешли на режим плавающего валютного курса, что повлекло за собой увеличение волатильности курсов валют и быстрый рост объемов сделок на валютном рынке. В таких условиях возрастает необходимость в получении обоснованной оценки валютного риска и подходов к управлению им.

Актуальность проблемы управления валютными рисками в первую очередь связана с тем, что многие компании и банки выходят на международный рынок. В условиях увеличения числа и объема операций в иностранных валютах, банкам необходимо уделять таким операциям особое внимание, поскольку финансовые результаты все в более значительной степени зависят от колебаний валютных курсов. Так, возникает необходимость определения методов оценки и управления валютного риска в деятельности коммерческого банка.

Исходя из поставленной цели были сформулированы следующие задачи:

  1.  Изучить теоретические основы управления валютными рисками:
  2.  Основные понятия в изучаемой теме;
  3.  Систему управления рисками и ее составляющие.
  4.  Построить модель прогнозирования валютного курса на краткосрочную перспективу;
  5.  Дать количественную оценку валютного риска для рассматриваемого коммерческого банка;
  6.  Рассмотреть альтернативные варианты управления валютными рисками коммерческого банка.

Практическая значимость работы заключается в том, что с помощью проработанных методов оценки, предложенных методик выбора стратегии и методов управления, современные банки могут оценивать имеющийся валютный риск и минимизировать его негативные последствия.

Объектом исследования выступает коммерческий банк – АО «ВОКБАНК», осуществляющий свою деятельность в условиях колебания валютных курсов. Предметом исследования является совокупность аспектов оценки и управления валютными рисками в коммерческом банке.

Для изучения поставленной проблемы, используются несколько основных методов анализа, такие как модель временных рядов (AR-model), модель Value-at-Risk, в контексте расчета параметра VaR аналитическим методом и методом исторического моделирования, а также метод управления, такой как хеджирование фьючерсными контрактами открытой валютной позиции банка.

Работа включает две основных главы. В первой главе рассмотрен теоретический базис, необходимый для изучения темы управления валютными рисками банка; произведено сравнение моделей прогнозирования валютного курса и сравнение методов оценки риска (в рамках модели Value-at-Risk), а также сравнение деривативов, как инструментов снижения валютного риска. Во второй главе построена авторегрессионная модель прогнозирования валютных курсов, представлены непосредственные расчеты спрогнозированных валютных курсов (по валютным парам USD/RUB, EUR/RUB); представлены значения уровня валютного риска в рассматриваемом банке, посредством расчета показателя VaR методом исторического моделирования и аналитическим методом, а также апробирован выбранный метод управления выявленным валютным риском банка.

Теоретический базис данной работы составляют учебники, монографии, а также исследовательские и научные статьи российских и зарубежных авторов. Тема рисков, и валютного риска в частности, рассматривалась в работах таких авторов, как М. Круи, Б.А. Райзберг, Дж. Хамильтон, А.А. Арямов, О.И. Лаврушин, Е. М. Королькова, Т.В. Струченкова, Н.В. Хохлов, Е. А. Бирюкова, Ф.М. Сытин и Е.В. Каяшева.

Модели прогнозирования валютных курсов изучались на основе работ таких авторов, как Л.Р. Глостен, Р. Джаганнафан, Д.Е. Рункл, Д. Нельсон, А.В. Субботин, Г.Г. Канторович, М.Ю. Турунцева, В. Г. Брюков и Е. В. Истигечева.

Оценка валютного риска, а также различные методы расчета индикатора Value-at-Risk представлены в работах таких авторов, как Д. Хендрикс, Дж.Ф. Маршал, В.К. Бансал, А.Н. Буренин, М.Л. Кричевский, А.А. Уфимцев, А.А. Лобанов, И.А. Рогов и И.В. Ларионова.

В качестве теоретического базиса для изучения этапов, стратегий, методов (преимущественно хеджирование) управления рисками были использованы работы таких авторов, как Дж. К. Халл, А.Б. Фельдман, А.Н Буренин, В.А Галанов, А.Л. Демская, А.Ю. Дорохов, О.С. Покровская, Е.Б. Случак и Д.В. Фонов.

Анализ валютных рисков проводится на основе отчетности коммерческого банка - АО «ВОКБАНК». Также используются данные с сайта московской валютной биржы по курсам валютных пар USD/RUB и EUR/RUB.

Глава 1. Теоретические основы управления валютными рисками

  1.  Сущность и классификация валютных рисков. Валютная позиция 

В современных рыночных условиях экономические агенты ежедневно сталкиваются с риском в следствие действия неопределенности экономической среды. Однако на сегодняшний день отсутствует универсальное определения понятия «риск», несмотря на всю его важность. Различные трактовки основного понятия могут привести к неверным выводам или неверной трактовке полученных выводов, поэтому определим, что же мы будем понимать под термином «риск» в данной работе.

Существование риска обусловлено существованием неопределенности, которая является неотъемлемой частью условий осуществления деятельности на рынке, а также источником многовариантности развития событий, которые мы не можем предсказать с абсолютной точностью, вследствие чего и возникает риск.

В процессе анализа отечественной и зарубежной литературы были выявлены три основных подхода к определению сущности «риска»: во-первых, представление о риске как о вероятности недополучения доходов1; во-вторых, рассмотрение риска как вероятность возникновения убытков  или дополнительных расходов23; в-третьих, синтез подходов, то есть риск определяется как вероятность совокупности благоприятных (получение дополнительной прибыли) и неблагоприятных (возникновение убытков, дополнительных расходов) исходов, то есть любое отклонение от намеченного результата4.  

Не смотря на существование различных точек зрения, второй подход является наиболее распространенным и разумным, то есть риск – это вероятность возникновения убытков или дополнительных расходов. Дело в том, что субъекты рынка сталкиваются с риском и чаще всего связывают его с неожиданными неблагоприятными событиями. Безусловно, риск иногда включает в себя вероятность благоприятного исхода, но, действуя исходя из принципа осмотрительности, компании признают доход непосредственно при его получении, а расходы учитываются заранее, путем создания резервов, независимо от того, известна ли величина ожидаемых расходов точно или она является оценкой, полученной на основе имеющейся информации5.

Все экономические агенты действуют в условиях неопределенности и являются субъектами риска. Являясь причиной возникновения риска, неопределенность проявляется в качестве конкретных событий - факторов риска, таких как усиление конкуренции на рынке, изменение законодательства, колебания валютных курсов и так далее. Материальные (компания, имущество) и нематериальные (имущественный интерес, деловая репутация) объекты, подверженные влиянию факторов риска являются объектами риска6.

Определив сущность основных понятий в рассматриваемой теме перейдем к классификации существующих рисков. В целом, под классификацией риска понимается система распределения рисков по определенным группам, в зависимости от поставленной цели. Классифицировать риски можно по разным критериям, таким как, например, причины возникновения, характер деятельности и так далее. В данной работе, с учетом рассматриваемой тематики, на Рис. 1 приведена классификация рисков, включающих валютные риски7.

Рис. 1 Место валютного риска в структуре финансовых рисков

Классификация рисков, представленная на Рис. 1, безусловно, не охватывает все виды рисков, с которыми сталкиваются экономические агенты, однако она представляет собой определенную систему, которая позволяет определить взаимосвязь различных видов риска с исследуемым валютным риском, что необходимо при управлении риском.

Так, наиболее широким понятием является финансовый риск, представляющий собой вероятность потери компанией (банком) части своих ресурсов, понесенных дополнительных расходов или неполученных доходов, вследствие неблагоприятных изменений внешних и внутренних факторов среды функционирования компании, оказывающих существенное влияние на финансовые результаты деятельности8.

Рыночный риск является частью финансового риска, и представляет собой возможность потерь в результате неблагоприятного изменения рыночных факторов, таких как процентные ставки, валютные курсы, цены товаров или ценных бумаг9. В зависимости от вида рыночных факторов выделяют отдельные виды рыночных рисков, одним из которых является валютный риск.

Валютный риск возникает при проведении операций в иностранной валюте (внешнеторговых, кредитных, инвестиционных, расчетных, конверсионных операций, операций на фондовых и товарных биржах) и представляет собой возможность изменения стоимости активов (пассивов, денежных требований и обязательств) в иностранной валюте, то есть подверженность убыткам, вследствие неблагоприятного изменения валютных курсов10. В современных рыночных условиях изменение валютного курса происходит непрерывно, в связи с этим валютный риск существует всегда.

Если определять сущность валютного риска через общее определение риска, то в этом случае источником риска является колебание валютных курсов (неопределенность динамики курса), неблагоприятным событием – денежные потери (убытки) или получение денежных доходов ниже запланированного уровня, субъектами риска – лица, занимающиеся проведением операций в иностранной валюте11.

На сегодняшний день существует множество различных классификаций валютных рисков. В данной работе рассмотрим одну из существующих классификаций, согласно которой выделяют четыре основных вида валютного риска: трансляционный, транзакционный, операционный и скрытые риски12.

Трансляционный (бухгалтерский, расчетный, балансовый, конверсионный, аккаунтинговый) валютный риск представляет собой возможность потерь при пересчете статей баланса в национальную валюту. Данному виду риска подвержены прежде всего компании, имеющие значительные зарубежные активы (долгосрочные валютные кредиты, выпущенные еврооблигации). Чаще всего данные риски зависят от правил ведения бухгалтерской отчетности, поэтому отдельно не хеджируются.

Транзакционный валютный риск отражает вероятность валютных потерь по конкретным операциям (транзакциям) вследствие изменений валютных курсов. Данный вид риска появляется при осуществлении экспортно-импортных операций и операций кредитования, то есть в случае возникновения задолженности (дебиторской или кредиторской) в иностранной валюте, при условии, что эта задолженность возникает до изменения валютного курса, а оплата должна производиться в период после него. Транзакционные валютные риски регулярно должны прогнозироваться и хеджироваться, так как имеют прямое влияние на денежные потоки компании.

Операционный валютный риск определяется как возможность неблагоприятного воздействия изменений валютного курса на положение компании на рынке, выраженное в потере конкурентоспособности (вследствие увеличения производства товаров-субститутов) и в снижении выручки. В отличии от транзакционного риска, часто носит субъективный и вероятностный характер. Данному виду риска подвержены скорее нефинансовые институты, в первую очередь компании, занимающиеся экспортно-импортными операциями, а также работающие только на внутреннем рынке.

Скрытые валютные риски представляют собой не очевидные на первый взгляд трансляционные, транзакционные и операционные валютные риски. Так, например, поставщик на внутреннем рынке может потреблять импортные ресурсы, и компания, пользующаяся его услугами, косвенно подвержена операционному риску (повышение стоимости затрат поставщика заставит компанию повышать цены на свою продукцию). Также скрытый трансляционный риск возникает в случае, если риску подвержена зарубежная дочерняя компания. К скрытым рискам можно отнести риски конвертации - возможное изменение валютной политики государства, в том числе введение ограничений на валютно-обменные операции13.

После рассмотрения видов валютных рисков важно сказать, что изменение курсов иностранных валют в долгосрочной перспективе не просто приводит к получению прибыли или убытка по отдельным сделкам (транзакционные риски), в результате реализации валютных рисков изменяются оценка компании (банка) сторонними инвесторами (трансляционные риски), конкурентоспособность компаний (банков) или их отдельных иностранных филиалов (операционные риски). Как следствие возникают стратегические риски14. Все это лишний раз подтверждает значимость проблемы управления валютными рисками.

Далее необходимо отметить, что коммерческие банки (как и другие экономические субъекты) подвергаются валютному риску не в полном объеме своих валютных операций, а только на величину открытых валютных позиций.  В целом, валютная позиция отражает разницу между требованиями и обязательствами (активами и пассивами) в конкретной иностранной валюте и возникает на дату заключения сделки на покупку или продажу иностранной валюты и иных валютных ценностей, а также на дату зачисления на счет (списания со счета) доходов (расходов) в иностранной валюте. Указанные даты определяют также дату отражения в отчетности соответствующих изменений величины открытой валютной позиции.

Валютная позиция бывает двух видов: закрытая и открытая.

  •  Закрытая валютная позиция: объем требований и обязательств в определенной валюте совпадают. Валютный риск не возникает, так как в случае изменения валютного курса переоценка активов и пассивов происходит на одну и ту же величину.
  •  Открытая валютная позиция (далее - ОВП): объем требований и обязательств в определенной валюте не совпадают. Возникает подверженность валютному риску. Пока позиция не закрыта, в зависимости от рыночных колебаний валютного курса, возникают потенциальные убытки или прибыль, они становятся реальными только после закрытия позиции.

В свою очередь, открытая позиция может быть длинной или короткой.

  •  Длинная валютная позиция возникает, если активы превышают пассивы в данной валюте. В данном случае, падение курса приводит к возникновению убытков, рост курса – к доходам. При расчете открытой позиции – прибавляется.
  •  Короткая валютная позиция возникает, если пассивы превышают активы в конкретной иностранной валюте. Падение курса приводит к получению доходов, рост курса – к убыткам. При расчете открытой позиции – вычитается.

Используя понятие «открытая валютная позиция» становиться возможным определить валютный риск как возможность получения финансового результата ниже ожидаемого, вследствие неблагоприятного изменения курса валюты, в которой имеется открытая валютная позиция.


1.2 Подходы к управлению валютными рисками

Для сохранения устойчивой деятельности в условиях неопределенности, экономическим субъектам необходимо управлять возникающими валютными рисками, то есть применять систему риск-менеджмента. Практически каждая современная компания или банк имеет обособленное подразделение по управлению рисками, однако несмотря на это, управлению рисками уделяется недостаточно внимания. Особенно игнорируются валютные риски, так как ранее волатильность валютных курсов основных валют (доллар США, евро) не была столь значительной.

Рис. 2 Динамика месячных курсов доллара США и евро к российскому рублю по данным ММВБ в период с 2007 по 2015 год

Согласно графику, представленному на Рис. 2, волатильность курсов основных валют была незначительной до 2009 года, однако после этой даты валютные курсы изменялись все сильнее, а значит и подверженность рыночных агентов валютному риску растет, возникает необходимость управления рисками. Управление валютным риском банка представляет собой систему разработки, принятия и реализации решений о воздействии на валютный риск с целью предотвращения, ограничения или минимизации связанных с ним потерь15. В научной литературе выделяют два уровня в системе управления валютными рисками: регулятивно-надзорный и внутрибанковский. Уровни системы управления валютными рисками можно изобразить в виде схем, представленных на Рис. 3 и 4.

На Рис. 3 отображены две основные составляющие регулятивно-надзорного уровня: элементы, определяющие приемлемые границы риска и элементы, определяющие методы и возможности управления риском16.

Рис. 3 Регулятивно-надзорный уровень системы управления валютными рисками коммерческого банка

Регулятивно-надзорный уровень включает в себя управление рисками через лицензирование деятельности, лимитирование объема ОВП, учет валютного риска (в составе рыночного) в нормативе достаточности капитала, переоценку валютных активов и пассивов, надзор и контроль. Так, для контроля за банковскими рисками, Базельский комитет по банковскому надзору разработал специальные рекомендации центральным и коммерческим банкам. В целях ограничения валютного риска Банком международных расчетов определен объем наличности коммерческого банка в иностранной валюте, а также установлен норматив капитала и определенные лимиты по открытым валютным позициям (ОВП).

В свою очередь, ЦБ РФ установил для кредитных организаций лимиты открытых позиций как по отдельным валютам, так и по их суммарной величине. Суммарная величина ОВП рассчитывается путем перевода длинных и коротких валютных позиций по каждой иностранной валюте в рублевый эквивалент по официальному курсу Банка России и раздельным суммированием всех коротких и всех длинных ОВП. Так, инструкцией ЦБ РФ17 установлено, что: во-первых, суммарная величина всех длинных (коротких) ОВП в отдельных иностранных валютах ежедневно не должна превышать 20% от капитала кредитной организации; во-вторых, любая длинная (короткая) ОВП в отдельных иностранных валютах ежедневно не должна превышать 10% от собственных средств кредитной организации.

Коммерческие банки должны постоянно анализировать состояние ОВП не только в целях контроля за соблюдением установленных лимитов ОВП (регулятивно-надзорный уровень), но и в целях анализа потенциальных доходов и убытков (внутрибанковский уровень), связанных с колебаниями валютных курсов. Такой анализ необходимо проводить как по каждой иностранной валюте, по которой открыта валютная позиция, так и по суммарной ОВП (балансовая и вне балансовая составляющие отдельно). Однако, управление валютными рисками в большинстве современных банков происходит исключительно на регулятивно-надзорном уровне, так как несоблюдение установленных лимитов по ОВП влечет за собой штрафы в крупных размерах. Также важно отметить комплексность, затратность и сложность внутрибанковского уровня управления рисками, подробная схема которого представлена на Рис.4.

Рис. 4 Внутрибанковский уровень системы управления валютными рисками в коммерческом банке

Согласно схеме, представленной на Рис. 4, внутрибанковский уровень подразумевает влияние на валютный риск с помощью системы, включающей в себя: анализ и прогнозирование факторов риска (динамика валютных курсов), количественную оценку риска, выбор метода и инструментов минимизации риска, разработку и реализацию стратегии управления валютным риском, оценку ее эффективности и мониторинг результатов18.

Систему управления рисками можно разбить на 4 основных этапа. Первый этап – анализ риска. Этап предполагает проведение качественного и количественного анализа рисков. При проведении качественного анализа происходит выявление факторов риска (в нашем случае, изменение валютного курса) и проводится идентификация выявленных рисков. Для идентификации валютных рисков используется прогнозирование валютных курсов и ОВП, с помощью которого выявляются факторы валютного риска. Далее проводится количественный анализ, который представляет собой получение количественной оценки выявленных рисков, то есть определение величины возможных потерь (в денежном выражении) и вероятности его возникновения.

Второй этап – выбор типа рискового поведения (стратегии управления) и соответствующего метода управления риском (тактика управления). Исходя из отношения субъектов к риску, выделяют следующие типы рискового поведения:

  1.  Избежание риска – это уклонение от действий, связанных с риском. Избежание таких рисков означает устранение причины возникновения значительных убытков для компании. Также, данная стратегия может применяться, если агент действует в условиях полной неопределенности, когда не представляется возможным оценить уровень валютного риска. Для избежания валютного риска банки могут согласовывать свои активы и пассивы по каждой валюте, то есть стремиться к закрытой валютной позиции или формированию такой структуры баланса, при которой доходы, получаемые от изменения валютных курсов, превышали бы убытки от этого изменения по ОВП в других валютах.

Еще одним методом, используемым в рамках стратегии избежания риска, является неттинг. По своей сути, неттинг – это взаимозачет встречных требований и обязательств, его цель заключается в максимально возможном укрупнении валютных сделок. Так, банк может покрыть длинную ОВП за счет короткой ОВП в той же валюте; покрыть длинную ОВП в одной валюте за счет короткой ОВП в другой валюте, при условии положительной корреляции курсов двух этих валют.

  1.  Сохранение риска – это принятие риска в полном объеме, то есть отказ от специальных действий по компенсации возможных убытков (полученные убытки возмещаются из текущих доходов). Данная стратегия применяется только в отношении незначительных валютных рисков, что же касается более крупных рисков, то в этом случае применяется резервирование средств на покрытие убытка за счет внутренних резервов или внешних ресурсов.
  2.  Ограничение риска – это принятие валютного риска и его снижение посредством установления границ (лимитирование) или объединения рисков (диверсификация).

Установление внутрибанковских лимитов (внутреннее лимитирование) представляет собой способ снижения валютного риска, посредством установления предельных допустимых значений (лимитов) величины ОВП для снижения величины возможных потерь. Этот способ не требует высоких затрат, поэтому широко используется банками. Установленные лимиты могут быть разными, например, можно установить ограничения как сверху, так и снизу, по срокам, структуре, объему или размеру.

Диверсификация представляет собой способ снижения совокупного валютного риска с помощью использования различных валют, со слабо-коррелированными между собой валютными курсами. С помощью диверсификации снижается вероятность получения максимально возможного уровня потерь. Стоит отметить, что диверсификация эффективна только для снижения несистематического риска (риска, связанного с конкретной валютой), в то время как систематические риски, общие для всех видов деятельности (циклический спад экономики), не могут быть уменьшены с помощью диверсификации.

  1.  Передача валютного риска частично или в полном объеме третьем лицам осуществляется с помощью страхования, хеджирования и других методов. Хеджирование осуществляется посредством производных финансовых инструментов (деривативов), таких как: форвардные, фьючерсные, опционные контракты, свопы.
  2.  Третий этап – реализация выбранной траектории (стратегии и тактики) управления риском. На данном этапе определяются конкретные задачи и происходит их распределение среди исполнителей, а также определяются источники финансирования и проводятся консультации со специалистами.

Четвертый этап – мониторинг результатов и оценка эффективности выбранных стратегии и метода управления рисками. Этот этап реализует обратную связь в системе управления рисками. На данном этапе оценивается эффективность проведенных мероприятий на основе количественных данных относительно убытков компании, а также, при необходимости, корректируется выбранная ранее траектория действий, с учетом новой информации.


1.3 Модели прогнозирования валютного курса, как способ идентификации валютных рисков

Прогнозирование курсов валют является достаточно сложной задачей, потому что на валютный курс оказывают влияние множество различных факторов, например, цена на нефть, валютный режим и прочие. Однако в условиях нестабильности на валютном рынке его участникам необходимо строить прогнозы на будущее, чтобы быть готовыми к возможным колебаниям курсов и снижать валютные риски.

Методы прогнозирования делятся на две большие группы: фундаментальный и технический анализ. Первый подразумевает поиск определенных экономических взаимосвязей между валютным курсом и факторами на него влияющими, в то время как технический анализ не связан с экономической теорией, а просто использует различные модели, например, модели временных рядов. В данной работе мы остановим свой выбор на техническом анализе, так как на наш взгляд этот метод является наиболее простым по сравнению с фундаментальным. Дело в том, что изменчивость стоимости финансовых активов достаточно трудно объяснить с помощью экономических факторов.

Также стоит сказать, что чаще всего при анализе временных рядов используют доходность или логарифмическую доходность актива вместо его абсолютных значений, так как это позволяет решить проблему нестационарности исходного ряда.

В процессе анализа научной литературы было выявлено несколько «стилизованных факторов» финансовых временных рядов19, рассмотрим их подробнее:

  1.  Кластеризация волатильности. Дело в том, что зачастую вслед за значительными изменениями доходности актива следуют другие значительные изменения, и, наоборот, вслед за незначительными изменениями – другие незначительные. То есть наблюдаются достаточно продолжительные периоды высокой и низкой волатильности.
  2.  «Левередж – эффект». Наблюдается отрицательная корреляция между доходностью финансовых активов и волатильностью ряда. Так, в случае низкой волатильности, доходность актива растет (падает) стремительно, и, наоборот, в случае высокой волатильности, доходность актива растет (падает) незначительно.
  3.  «Длинная память» или «Теория эффективного рынка». Прошлые значения ряда являются хорошей базой для прогнозирования будущих значений. Это связано с наличием значимой автокорреляции между наблюдениями, значительно удаленными друг от друга.
  4.  «Тяжелые хвосты». Функция плотности распределения логарифмических доходностей за длительные промежутки времени стремиться к нормальному, а за короткие интервалы имеет более «тяжёлые хвосты» и большую островершинность (коэффициент эксцесса (Kurtosis) больше 3 (выше нормального)), по сравнению с функцией плотности нормального распределения.

С учетом вышеуказанных «стилизованных факторов» финансовых временных рядов и в рамках технического анализа рассмотрим несколько основных моделей, которые используются исследователями для прогнозирования валютного курса. Так, наиболее широкое распространение в литературе получили AR (p), ARMA (p, q), ARCH (p) и GARCH (p, q) модели. Кратко опишем смысл каждой из них и проведем сравнительный анализ для выявления наиболее подходящей модели.

AR (p) модель. Авторегрессионная (Auto Regressive) модель. В таких моделях прогнозные значения получают на основе предыдущих значений ряда. Однако временной горизонт для прогноза по такой модели ограничен длинной лага, то есть часто прогноз возможно построить только на 1-3 наблюдений вперед.

В зависимости от количества лаговых переменных, включенных в уравнение, различают авторегрессионные модели разных порядков, так, например, AR(2) – модель второго порядка выглядит следующим образом20:

          (1)

где:

c – константа;

– зависимая переменная;

,  -  независимые переменные с лагом в один и два периода;

, - соответствующие коэффициенты регрессии при лаговых переменных;

– «белый» шум.

ARMA (p,q) модель. Авторегрессионная модель со скользящим средним в остатках (Auto Regressive -  Moving Average). Представляет собой объединение авторегрессионного процесса (AR(p)) и модели со скользящим средним в остатках (МА(q)). Модель со скользящим средним в остатках первого порядка (MA(1)) определяет прогнозное значения в виде следующей линейной функции21:

          (2)

где:

– отклонение фактического значения от прогнозного в предыдущем периоде;

– коэффициент при ;

– «белый шум»; остатки, не коррелирующие с остатками предыдущего периода.

Объединив две составляющие (AR(p) и MA(q) процессы), порядок авторегрессионной модели со скользящим средним в остатках можно обозначить как ARMA (p, q), где р - порядок авторегрессионного процесса, a q – порядок процесса со скользящим средним в остатках. Так, например, модель ARMA (2,1) выглядит следующим образом22:

          (3)

Чтобы было наиболее наглядно, можно представить модель ARMA (2,1) в виде системы уравнений:

          (4)

Подставляя второе уравнение системы в первое получим общую формулу (3) для модели ARMA (2,1), представленную выше.

ARCH (p) модель. Авторегрессионная модель условной гетероскедастичности (Autoregressive   Conditional   Heteroskedasticity). Смысл данной модели зашифрован в ее названии. Так, ARCH модель использует прошлые значения ряда для прогнозирования (авторегрессия), которые в свою очередь является неоднородными, что проявляется в непостоянстве дисперсии случайной ошибки (гетероскедастисчность).

Данная модель была предложена Робертом Энгле в 1982 году, ее можно представить в виде следующего уравнения23:

          (5)

где

- функция волатильности;

– базовая волатильность;

,  – квадраты прошлых значений доходности актива;

, – коэффициенты модели, показывающие влияние прошлых значений доходности актива на текущее значение волатильности.

В модели ARCH доходность актива можно представить следующим образом:

          (6)

где:

- белый гауссовский шум.

Модель ARCH (p) имеет ряд недостатков, например, необходимость выбирать большой порядок модели, чтобы результаты получились качественными. Для устранения недостатков этой модели в 1986 году Т. Боллерслевом была предложена модель GARCH (p,q), описанная в его работе «Generalized autoregressive conditional heteroskedasticity» и представляющая собой обобщенный ARCH-процесс24.

GARCH (p,q) модель.  Обобщенная авторегрессионная модель условной гетероскедастичности (Generalized Auto Regressive Conditional Heteroskedasticity). GARCH (p,q) модель предполагает, что условная дисперсия зависит не только от прошлых значений доходности актива, но и от прошлых значений оценок дисперсии. Так, данную модель можно представить в виде следующей формулы25:

          (7)

где:

- базовая волатильность;

 – коэффициент, характеризующий степень влияния предыдущих изменений доходности актива на текущее значение волатильности;

- коэффициент, характеризующий степень влияния предыдущих оценок волатильности на текущее значение.

После краткого рассмотрения основных моделей, проведем их сравнение в Таблице 1 для выбора наилучшей.

Таблица 1

Сравнение моделей временных рядов

Критерии сравнения

Модели анализа временных рядов

AR(p)

ARMA (p, q)

ARCH (p)

GARCH (p,q)

Длительность периода прогнозирования

Зависит от количества лагов в модели

Зависит от количества лагов в модели

Не ограничена

Не ограничена

Уровень сложности модели

Низкий

Средний

Средний

Высокий

Необходимое значение параметров (порядок модели)

Не требует большого значения параметра p

Не требует большого значения параметров p и q

Необходимо большое значение параметра p

Можно ограничиться сравнительно небольшими значениями параметров p и q

Частота использования в научных исследованиях

Часто

Редко

Редко

Часто

Метод оценивания параметров модели

Метод наименьших квадратов

Метод наименьших квадратов

Метод максимального правдоподобия

Метод максимального правдоподобия

При выборе модели важно обращать внимание на соблюдение баланса «простота использования / эффективность». На основе Таблицы 1 можно сделать вывод, что такой моделью является авторегрессионная модель, по следующим причинам: во-первых, данная модель относительно простая, поэтому часто используется в научных исследованиях; во-вторых, AR(p) модель не предполагает использование большого количества независимых переменных, включенных в уравнение регрессии; в-третьих, модель позволяет осуществлять точечный прогноз на краткосрочную перспективу, что и нужно в данном исследовании.

Также важно рассмотреть вопрос возможности реализации выбранной модели в эконометрических пакетах. Так, для построения AR(p) модели можно использовать такие программы, как EViews, MatLab, и STATA. Рассмотрим Таблицу 2, в которой представлены преимущества и недостатки данных эконометрических пакетов.

Таблица 2

Сравнение эконометрических пакетов

Название эконометрического пакета

EViews

MatLab

STATA

Преимущества

Позволяет построить оценки коэффициентов;

Возможно графическое отражение;

Простота использования;

Не требует навыков программирования.

Доступность кода;

Множество встроенных функция для анализа (в том числе прогнозирование);

Возможность изучения теории и практики одновременно;

Графическое отображение.

Имеет обширный набор функций для работы с моделями временных рядов.

Недостатки

Доступен только результат без раскрытия промежуточных этапов.

Необходимость навыков программирования.

Нет возможности построения прогноза.

По сравнительному анализу, представленному в Таблице 2, можно сделать вывод, что наиболее предпочтительной программой для прогнозирования валютных курсов является EViews. Такай вывод был сделан потому, что данный эконометрический пакет сочетает в себе легкость использования, отсутствие требований навыков программирования и при этом дает возможность получить необходимые результаты (прогнозы).

В общем виде прогнозирование стоимости финансовых активов в EViews можно разделить на следующие этапы:

  1.  Вычисление доходностей финансовых активов и проверка полученного ряда на стационарность;
  2.  Вычисление статистических характеристик ряда доходностей;
  3.  Построение регрессионного уравнения, оценка и тестирование на значимость его параметров;
  4.  Вычисление прогнозных значений стоимости финансовых активов;
  5.  Тестирование прогнозного качества построенной модели.

В заключение данной части нужно отметить, что прогнозирование курсов валют является сложной задачей, а потому ни одна модель не может дать стопроцентно верный прогноз. В связи с этим участники рынка должны разрабатывать стратегии управления рисками, то есть уметь грамотно оценивать риск и минимизировать возможные потери.

1.4 Методы оценки валютных рисков коммерческого банка

Первый этап управления рисками – анализ риска, который включает в себя количественный анализ, предполагающий определение количественной оценки для имеющегося риска коммерческого банка. Исходя из того, что риск определяется как возможность возникновения потерь, то оценка риска – это вероятность возникновения определенной величины потерь26. Можно сказать, что количественная оценка риска состоит из двух компонентов - вероятности возникновения и величины возможных потерь. Такая оценка определяется для выбранного временного периода (час, день, неделя, месяц, квартал, год и т.д.).

Стоит отметить, что оценка валютных рисков может быть выполнена с помощью различных статистических методов (Short-Fall, Capital-at-Risk, Maximum Loss и др.) или методов экспертных оценок (анкетирование, сценарный анализ и др.). Первые применяются в случае доступности статистической базы для исследования, а именно динамики факторов риска (в данной работе – валютных курсов). В случаях невозможности использования статистических методов (например, отсутствие данных), применяют методы экспертных оценок. Вследствие наличия базы данных, в данной работе будут рассмотрены только статистические методы оценки риска.

Традиционно риск характеризуют два важных показателя: волатильность (стандартное отклонение, изменчивость) финансовых переменных и чувствительность критериев деятельности к их последствиям. Кроме того, риск часто измеряется дисперсией - разбросом возможных исходов27. При измерении рыночных рисков (в том числе валютных рисков) в качестве случайной переменной берут доходность финансового актива. Волатильность измеряет риск актива как степень разброса значений доходности вокруг ожидаемого (часто среднего) уровня.

Однако традиционные меры риска имеют серьезные недостатки: во-первых, они не могут быть агрегированы (сведены в один показатель) безотносительно к факторам риска; во-вторых, традиционные меры риска не измеряют «капитал под риском» (капитал, покрывающий потери, вызываемые факторами риска); в-третьих, эти меры не позволяют контролировать риск, так как лимиты позиций, определяемые по факторам риска, часто неэффективны28. Все это объясняет разработку более совершенных методов оценки рисков.

Согласно рекомендациям, разработанным Базельским комитетом по банковскому надзору в части оценки банковских рисков, подход на основе показателя «стоимости под риском» (Value-at-Risk – VaR) является одним из наилучших, так как сочетает в себе простоту и прозрачность расчетов29. Под термином VaR может подразумеваться как методика (совокупность методов) оценки рисков, так и количественная оценка риска в виде расчета одного параметра VaR. Данный параметр представляет собой оценку максимально возможной величины потерь (по ОВП), которая не будет превышена в течение выбранного временного интервала, с заданной вероятностью. То есть, VaR позволяет получить оценки возможных будущих потерь от изменения факторов риска, с определенной долей вероятности30.

Широкое применение VaR-модели для оценки рисков объясняется также тем что она устраняет пробелы традиционных методов оценки, так, например, модель VaR позволяет агрегировать риски по отдельным позициям портфеля в одну величину, учитывая при этом ряд факторов, таких как количество ОВП и период их поддержания, а также волатильность на рынке.

Однако метод «стоимости под риском» имеет свои недостатки: резкое снижение прогнозной силы VaR-моделей в периоды повышенной волатильности факторов риска; необходимость внедрения в базовую модель стресс-сценариев; модель не учитывает плотность распределения потерь, то есть с заданной вероятностью (обозначим - (1- α)) потери не превысят величину Х, но при этом с вероятностью α потери могут составить 2Х или даже 10Х31.

Для устранения недостатков модели, в дополнение к расчету VaR используется стресс-тестирование (stress testing), предложенное Базельским комитетом32. Стресс-тестирование представляет собой метод сценарного моделирования по сценарию экономической нестабильности, позволяющий получить оценку потерь, которые остаются за пределами вычисленного с заданной вероятностью VaR.  Для построения распределения вероятностей в такой модели должен быть выбран период не менее года, характеризующийся резкими колебаниями конъюнктуры рынка (часто используется период финансового кризиса 2008-2009 г.г.).

Перед расчетом показателя VaR необходимо задать параметры модели, рассмотрим их подробнее. Временной горизонт (holding period) – это период в будущем на который делается прогноз. Для расчета VaR временной горизонт часто выбирается исходя из срока удержания актива в портфеле или его ликвидности, поскольку именно в пределах этого срока нет возможности снизить потери. Глубина периода расчета VaR (observation period) – это объем выборки ретроспективных или искусственно смоделированных данных, на основе которых рассчитывается оценка. Уровень доверия (confidence level) – это заданная доверительная вероятность, зависящая от характера компании и от субъективного подхода менеджера к управлению имеющимся портфелем. Стоит отметить, что выбор уровня доверительной вероятности не говорит об отношении инвестора к риску33.

На сегодняшний день, как уже было сказано, риск-менеджеры отдают свое предпочтение методу Value-at-Risk. Банк международных расчетов (BIS) не регламентирует выбор именно этого метода для оценки рисков, однако устанавливает некоторые ограничения: во-первых, VaR должен рассчитываться ежедневно; во-вторых, временной горизонт прогнозирования должен составлять не менее 10 дней; в-третьих, при расчетах необходимо задавать 99%-ый односторонний доверительный интервал; в-четвертых, глубина периода расчета (объем выборки исторических данных) должна быть не менее 250 торговых дней, то есть не менее одного года34. Стоит отметить, что на практике используются и иные доверительные интервалы, так, например, Дж.П. Морган опубликовывает свои дневные значения VaR при 95%-ном доверительном уровне.

В случае использования коротких горизонтов прогнозирования, масштабирование величины VaR проводится путем умножения на квадратный корень из соотношения временных интервалов35:

           (8)

где: - десятидневный VAR;

- однодневный VAR.

Порядок расчета совокупной величины валютного риска аналогичен порядку расчета валютного риска по отдельной валютной паре за исключением того, что в качестве основы для анализа выбираются изменения стоимости всех открытых валютных позиций.

Для построения распределения вероятностей случайной величины в рамках методики VaR используются три основных метода (см. Рис. 5) такие как аналитический метод (локальное оценивание), метод исторического моделирования и метод Монте-Карло (полное оценивание)36.

Рис. 5 Методы построения распределения вероятностей доходностей актива в рамках концепции VaR

Оценка риска с помощью расчета VaR, всеми представленными на Рис.5 методами выполняется однотипно и включает три основных этапа. Первый этап представляет собой сбор и подготовку к анализу статистических данных по стоимости ОВП, выраженной в рублях и ее доходности. В научных исследованиях чаще всего анализирую ежедневные значения данных, однако могут встречаться и иные интервалы, например, внутридневные или с шагом в несколько дней (неделя, месяц и т.д.). На втором этапе проводится оценка вероятностного распределения доходностей актива, то есть по сути, определяется один из трех методов, который будет использован (аналитический, исторического моделирования и Монте-Карло). И наконец, на третьем этапе определяется доверительный интервал, на котором проводится расчет показателя VaR.

Рассмотрим немного подробнее, что из себя представляет каждый из методов построения распределения вероятностей доходности актива. Аналитический (параметрический, дельта-нормальный, ковариационный) метод относится к разряду параметрических методов. Он основывается на следующих предположениях: во-первых, изменение факторов риска распределены по закону с известными параметрами (часто используется нормальный закон распределения); во-вторых, доходность портфеля линейно зависит от изменений факторов риска, поэтому распределение доходности можно считать нормальным.

Важно отметить, что распределение доходности финансовых активов не является в большинстве случаев статистически нормальным из-за существования неожиданных исходов (так называемых «тяжёлых хвостов») и более того, нормальное распределение создано учеными искусственно (метод «орла и решки») для упрощения37. Так, в случае, если распределение актива (валюты) не подчиняется нормальному закону, то применение аналитического метода приведет к существенному занижению оценки риска, так как нормальное распределение имеет более «легкие» хвосты, нежели реальное распределение доходностей финансовых активов.

Метод исторического моделирования (historical simulation) относится к группе методов полного оценивания и является непараметрическим. Он использует исторические данные по изменениям факторов риска, для построения распределения будущих колебаний стоимости портфеля, то есть не требует предположения о нормальном распределении. Главной предпосылкой метода является то, что цена актива (валютный курс) полностью отражает информацию, имеющуюся на рынке или иными словами, прошлое является хорошим описанием будущего.

Метод исторического моделирования относительно легко реализуем, если имеется ежедневно обновляемая база статистических данных по всем факторам риска (курсам валют). Как правило, чем больше глубина периода расчета, тем выше точность оценок VaR, но и одновременно сильнее опасность влияния устаревших данных, искажающих тенденции современного рынка.

Метод Монте-Карло, или метод стохастического моделирования (Monte Carlo simulation), основан на моделировании случайных процессов с заданными характеристиками. Метод Монте-Карло аналогичен методу исторического моделирования, отличие состоит в том, что изменения цен активов (валютного курса) генерируются псевдослучайным образом в соответствии с заданными параметрами распределения. Имитируемое распределение может быть любым, а количество сценариев – весьма большим (до нескольких десятков тысяч)38. Стоит отметить, что использование метода Монте-Карло не дает однозначных результатов, так как повторное моделирование выдает уже другие случайные значения риск-факторов39.

Далее имеет смысл оценить имеющиеся методы расчета показателя VaR с точки зрения основных характеристик, таких как сложность реализации метода, применимость на практике и прочие. Сравнение представлено в Таблице 3.

Таблица 3

Сравнительная таблица методов расчета показателя VaR

Критерии сравнения

Название метода расчета

Аналитический метод

Метод исторического моделирования

Метод Монте-Карло

Уровень сложности реализации

Невысокий

Невысокий

Очень высокий

Наглядность

Средняя

Большая

Малая

Оценивание

Локальное: то есть основанное на линейной или более сложной аппроксимации функции стоимости финансового инструмента

Полное: полный перерасчет стоимости финансового инструмента без аппроксимирующих предположений

Полное

Зависимость от глубины ретроспективы

Не требует обширной базы ретроспективных данных

Предполагает наличие обширной базы данных по всем факторам риска

Устойчив к выбору ретроспективы

Точность оценки VaR

Малая

Средняя

Высокая

Допущение о нормальном распределении доходностей

Присутствует

Отсутствует, учитывает эффект «толстых хвостов»

Отсутствует, учитывает эффект «толстых хвостов»

Риск неадекватности моделей

Приемлемый риск

Может быть значительным

Высокий риск

Количество рассматриваемых траекторий изменения цен

Только одна

Только одна

Множество

Объем вычислений

Малый  

Средний

Большой

В Таблице 3 рассмотрены три подхода к оценке VaR портфеля активов: аналитический, историческое моделирование и метод Монте-Карло. Выбор метода зависит в первую очередь от состава портфеля. Так, в работе упор делается на рассмотрение портфеля, состоящего из линейных позиций (валют), поэтому все три метода должны дать примерно одинаковые результаты40. В связи с этим, выбор можно сделать в пользу наименее затратных подходов, какими являются аналитический и исторический методы.

В практической части работы произведен расчет VaR с помощью аналитического метода и метода исторического моделирования, с подробным рассмотрением этапов реализации данных методов, поэтому здесь не будем рассматривать их подробно, а лишь отметим важные пункты.

При использовании аналитического и исторического метода сначала выбирается глубина периода расчета (T), за которые отслеживаются данные по изменению цен (P - валютных курсов), всех входящих в состав портфеля активов (N - число иностранных валют). Эти данные используются как основа дальнейших расчетов.

Важно отметить, что данные по изменениям значений факторов риска (валютных курсов) должны быть представлены за интервалы времени, соответствующие выбранному временному горизонту (горизонт прогноза) расчета VaR. Так, для расчета дневного показателя VaR необходимо использовать ежедневные данные по курсам валют, входящих в портфель; а для месячных данных - месячные данные по курсам.


1.5 Стратегии управления валютными рисками

Для осуществления риск-менеджмента необходимо верно выбрать траекторию действий, то есть стратегию, которая в свою очередь определяет методы управления рисками. Ранее в работе были описаны возможные типы рискового поведения рыночных агентов, и соответствующие методы и инструменты управления рисками (см. п. 1.2). Однако какую стратегию выбрать, а соответственно и какой метод управления использовать остается вопросом. Для ответа на этот вопрос, на наш взгляд, необходимо учитывать индивидуальные характеристики каждого конкретного банка. Так, для определения типа рискового поведения была составлена Таблица 4.

Таблица 4

Выбор стратегии управления валютными рисками в зависимости от характеристик банка

Характеристика банка

Стратегии управления валютными рисками

Избежание риска

Сохранение риска

Ограничение риска

Передача риска

Масштаб деятельности (по размеру активов41):

Мелкий банк (от 401 до конца рейтинга – активы менее 5млрд.руб.)

+

-

-

-

Средний банк (место в рейтинге от 101 до 400)

+

-

+

+

Крупный банк (топ 100 – активы более 58 млрд.руб)

+

+

+

+

Финансовый результат (чистая прибыль) по итогам последнего отчетного периода42:

Убыток (после 605 места в рейтинге)

+

-

+

-

Прибыль (до 605 места в рейтинге)

+

+

+

+

Наличие обособленного подразделения риск-менеджмента:

Есть

+

+

+

+

Нет

+

-

-

+

Банк занимается операциями в иностранной валюте:

От лица клиентов

+

+

-

+

От своего лица и лица клиентов

+

+

+

+

Финансовое состояние банка (согласно методике ЦБ РФ43):

Хорошее/удовлетворительное

+

+

+

+

Сомнительное/неудовлетворительное

+

-

-

-

Согласно данным Таблицы 4 можно сделать вывод о том, что стратегия избежание риска, которая подразумевает балансировку активов и пассивов по каждой валюте, является универсальной стратегией для банков любого типа. В рамках данной работы мы не будем рассматривать эту стратегию, так как она больше связана с внутренними операциями в иностранной валюте, данные по которым являются коммерческой тайной банка. Также, с помощью Таблицы 4 становиться возможным классифицировать банк по его основным характеристикам и определить возможные стратегии реагирования на риск и выбор соответствующего метода управления. В данной работе будет рассмотрена только стратегия, предполагающая хеджирование ОВП, так как на наш взгляд это является наиболее эффективным методом.

Хеджирование как способ снижения риска наиболее активно используется в развитых странах, в то время как российские банки стремятся снизить объемы сделок на срочном рынке. В качестве доказательства рассмотрим график динамики общего среднего дневного оборота валют по срочным конверсионным операциям торгов с 2012 по 2015 год, представленный на Рис. 644.

Рис. 6 Динамики среднего дневного оборота валют по срочным конверсионным операциям

По графику, представленному на Рис. 6, можно заметить снижение объемов торгов на срочном рынке в период с 2014 по 2015 год. Дело в том, что в данный период наблюдалась нестабильная динамика валютных курсов, поэтому банки уходили со срочного рынка. Можно сказать, что преимущественно банки используют стратегию балансировки активов и пассивов для устранения валютного риска. Так, банки стараются держать длинные ОВП в сильных валютах (если ожидается повышение курса), а короткие ОВП – в слабых валютах. Центральный Банк РФ поддерживает такую стратегию банков на законодательном уровне, но и вместе с тем рекомендует использовать иные методы управления валютным риском, например, хеджирование.

Современный финансовый рынок предлагает ряд инструментов хеджирования, таких ка форвард, фьючерс, опцион и своп45, но какой из них является наиболее эффективным как инструмент снижения валютного риска - остается открытым вопросом. Разработка тактики хеджирования сводится к ответу на три главных вопроса: «Что?» - какой инструмент хеджирования выбрать; «Где?» - инструмент биржевой или внебиржевой (с каким контрагентом); «Когда?» - как выбрать момент заключения сделки46.

Начнем с наименее сложного вопроса, касающегося рынка заключения сделки. Для этого обратимся к Таблице 5, в которой представлено сравнение биржевых и внебиржевых инструментов.

Таблица 5

Сравнение биржевых и внебиржевых инструментов хеджирования

Критерий сравнения

Биржевые

Внебиржевые

Риск оттока ликвидности.

Требуется поддерживать свою открытую позицию, то есть ежедневные изменения цены базисного актива приводят к зачислениям (списаниям) со счета владельца фьючерса.

Как правило, не требуют

отвлечения ликвидности.

Кредитное качество компании и цена сделки.

Не имеет существенного значения. Не влияет на объем сделки и стоимость биржевого инструмента.

Значительно влияет на условия сделок: совокупный доступный объем сделок ограничивается кредитным лимитом на компанию со стороны контрагента (банка); цена внебиржевых инструментов хеджирования иногда включает отдельную комиссию за кредитный риск.

Потребность в видах и объеме сделок

Обладает стандартным набором продуктов, как правило, это фьючерсы и опционы на стандартные сроки.

Существует возможность подобрать параметры инструмента (срочность, объем, структуру),

полностью соответствующие потребностям клиента.

На основе Таблицы 5 можно сказать, что внебиржевые инструменты хеджирования используются скорее крупными компаниями с устойчивым финансовым положением, которые могут себе позволить использовать широкий круг гибких финансовых инструментов. И наоборот, небольшие компании с неустойчивой позицией скорее воспользуется биржевым инструментом, пользуясь обезличиванием сделки.

Далее ответим на вопрос: когда заключать сделку хеджирования. С одной стороны, возможен вариант хеджирования в момент обнаружения рисков, с другой стороны – выбрать наиболее подходящий момент. Вторая стратегия основывается на нескольких индикаторах рынка: спот-курс валюты, уровень процентных ставок и волатильность валютных курсов.

Теперь перейдем к наиболее сложному вопросу, касающемуся выбора инструмента хеджирования. Для этого, рассмотрим сущность каждого из них и проведем их сравнение по ключевым характеристикам.

Форвардный контракт является внебиржевым инструментом и представляет собой твердую сделку (обязательна для исполнения каждой из сторон) между контрагентами по покупке или продаже в определенный срок в будущем определенной суммы иностранной валюты, на условиях, определенных в момент заключения контракта.

Фьючерсный контракт является аналогом форварда, отличие состоит в том, что фьючерс является биржевым инструментом, поэтому он имеет наибольшую ликвидность и его котировки можно проследить на валютной бирже (например, на московской бирже). Также важно отметить, что фьючерсные рынки подлежат государственному регулированию, в отличие от форвардных47.

Иной разновидностью инструментов срочного рынка является валютный своп, представляющий собой обмен номинала и фиксированного процента в одной валюте на номинал и фиксированный процент в другой валюте, то есть это комбинация двух противоположных конверсионных сделок на одинаковую сумму с разными датами исполнения.

Валютный опцион представляет собой срочный контракт, заключенный между двумя контрагентами, в соответствии с которым покупателю предоставляется право, но не обязательство купить или продать по указанному валютному курсу определенное количество иностранной валюты, с уплатой опционной премии в пользу продавца, а продавец, в свою очередь, имеет абсолютное обязательство по опционному контракту. Важно отметить, что помимо устранения убытков, валютный опцион позволяет получить курсовую прибыль в результате изменения валютных курсов (чего не позволяют сделать фьючерс и форвард)48.

Далее рассмотрим Таблицу 649, в которой отображено сравнение деривативов по основным критериям. Это необходимо для выявления наиболее применимого в реальных условиях инструмента хеджирования.

Таблица 6

Сравнение инструментов хеджирования

Критерии сравнения

Названия деривативов

Форвард

Фьючерс

Опцион

Своп

Торговля

Внебиржевая

Биржевая

Внебиржевая

Биржевая

Внебиржевая

Суммы контракта

Любые

Стандартные

Любые

Стандартные

Значительные (более 5 млн долл.).

Типичные сроки действия

Любые (3-24 месяца)

Стандартные на базе квартального цикла

Любые

Стандартные

Любые (1-10 лет)

Возможность досрочного выхода из контракта

Нет

Есть

Есть

Есть

Нет

Доступность

Не являются общедоступными

Равный доступ

Равный доступ

Равный доступ

Общедоступные (если есть приемлемый рейтинг)

Дополнительные требования

Кредитные линии

Гарантийные депозиты

Не имеет

Гарантийные депозиты

Гарантии

Расчеты

На дату окончания контракта

Ежедневно

На дату окончания контракта или в течение зафиксированного периода

Ежедневно

Периодически, на зафиксированные даты

Расходы

Комиссионные не взимаются

Биржевые, брокерские, комиссионные платежи

Опционная премия

Опционная премия

Комиссионные, около 1%

Ликвидность

Низкая или отсутствует

Высокая

Средняя

Высокая

Низкая или отсутствует

Риск срыва поставки

Есть риск

Нет риска

Есть риск

Нет риска

Есть риск

Анализируя данные Таблицы 6 можно сделать вывод, что наиболее вероятно применимыми инструментами являются фьючерсы и биржевые опционы. Такой выбор был сделан благодаря свойствам этих деривативов: наибольшая доступность (биржевой инструмент, у всех агентов равный доступ), гибкость (возможность досрочного выхода), наличие данных (ежедневные котировки), высокая ликвидность и надежность (нет риска срыва сделки).

При сравнении фьючерса и биржевого опциона между собой можно сказать, что использование фьючерса в среднем обойдется несколько дешевле (1-6% от суммы контракта), чем использование опциона (2-8%)50. Скорее это связано с тем, что опцион дает возможность компенсировать возникающие издержки, за счет возможности отказа от исполнения опциона.

Таким образом, на наш взгляд, наиболее подходящим инструментом хеджирования валютных рисков является валютный фьючерсный контракт. Данный финансовый инструмент будет использован в Главе 2 данной работы, поэтому необходимо рассмотреть его немного подробнее.

Базисным активом для валютного фьючерса может выступать курс иностранной валюты, выраженный в национальной валюте (USD/RUB, EUR/RUB) или же курс иностранной валюты, выраженный в другой иностранной валюте (EUR/USD).


Глава 2. Управление валютными рисками на примере АО «ВОКБАНК»

2.1 Характеристика АО «ВОКБАНК»

В данной части работы проводится анализ валютных рисков на примере Акционерного Общества «Волго-Окский коммерческий банк» (далее - АО «ВОКБАНК»), поэтому необходимо дать краткую характеристику исследуемому банку.

АО «ВОКБАНК» осуществляет свою деятельность на банковском рынке с 1991 года, то есть уже 24 года на сегодняшний день (2015 год). Ранее банк носил иное название - Закрытое Акционерное общество «Волго-Окский коммерческий банк Банка Внешней Торговли» (ЗАО «ВОКВнешторгбанк»).

На сегодняшний день в Нижегородском регионе, а именно в таких городах, как Дзержинск, Кстово, Павлово, Чебоксары (Республика Чувашия), Йошкар-Ола (Республика Марий-Эл), представлено 10 офисов АО «ВОКБАНК». Кроме того, в 2014 году банк открыл филиал «Столичный» и кредитно-кассовый офис «Таганский» в Москве. На сегодняшний день банк планирует открывать новые офисы, тем самым увеличивая свое присутствие на рынке и увеличивая доступность для своих клиентов.

АО «ВОКБАНК» участвует в программе поддержки и развития предпринимательства и малого бизнеса в Нижегородской области. Так, например, банк предлагает наиболее быстрое рассмотрение кредитных заявок51.

Анализируемый банк осуществляет операции как в рублях, так и в иностранной валюте, преимущественно от лица своих клиентов. Так, денежные переводы осуществляются по системам WESTERN UNION, ЮНИСТРИМ и CONTACT. Также банк является членом межбанковской системы SWIFT, что позволяет клиентам банка быстро осуществлять расчеты со своими зарубежными партнерами.

По данным на март-апрель 2015 года, АО «ВОКБАНК» представляет собой один из ведущих региональных банков Нижегородской области. Он занимает 4 место по величине активов (311 по России) и по капиталу (362 по России) среди региональных банков, а также 7 место по величине чистой прибыли (356 по России)52. Кроме того, вышеуказанные показатели за период с 1 марта по 31 апреля 2015 года имеют положительную тенденцию, банк имеет стабильное финансовое положение.

Также имеет смысл затронуть рассмотрение работы валютного отдела АО «ВОКБАНКА», так как тема работы связана с валютными рисками. Специалисты данного отдела занимаются всеми операциями банка с иностранной валютой. В их функции в основном входит ведение счетов клиентов и прослеживание операций в иностранной валюте, а также анализ изменения курсов иностранных валют с целью установления курсов по валютным операциям банка.

Одной из важных задач специалистов валютного отдела является осуществление валютного контроля. Валютный контроль - это функция, возложенная на банки (как агента валютного контроля) федеральным законом53. Целью валютного контроля является не допущение нарушений валютного законодательства РФ (которое карается штрафами) при осуществлении расчетов клиентами в иностранной валюте. Так, специалист валютного отдела имеет право запрашивать и получать документы, отражающие ведение валютных операций, а также обязан контролировать выполнение клиентами требований валютного законодательства.

2.2 Построение регрессионного уравнения для прогнозирования валютных курсов 

Вследствие того, что валютный курс является главным фактором валютного риска необходимо уметь прогнозировать его значения на ближайшую перспективу для принятия верных управленческих решений. В данной части работы мы займемся поиском наиболее подходящей спецификации Autoregressive model (AR-model).

Перед началом работы необходимо отметить рамки, в которых проводится дальнейшее исследование. Во-первых, прогнозирование осуществляется по двум валютным курсам USD/RUB и EUR/RUB отдельно друг от друга. Во-вторых, в качестве ретроспективы используются дневные значения курсов за период с 1 февраля 2014 года по 28 февраля 2015 года, горизонт прогнозирования – месяц (март 2015 года). В-третьих, построение модели и ее тестирование будет проводится в эконометрическом пакете Eviews. Также важно отметить, что в качестве базы данных используются валютные курсы с сайта московской биржи, а именно значения закрытия торговой сессии.

Первым шагом в построении прогнозной модели является тестирование исходного временного ряда (ряда курсов валют) на стационарность. Под стационарность временного ряда понимается следующие свойства ряда: независимость среднего и дисперсии от рассматриваемого периода (неизменные во времени величины), зависимость автокорреляции только от длины лага, отсутствие тренда и строго периодических колебаний. Проверку ряда на стационарность можно выполнить двумя способами: графическим методом или с помощью теста на единичный корень (Unit Root Test).

Начнем с графического метода. Для этого были построены графики, отражающие динамику валютных курсов за период с 01.02.2014 по 28.02.2014 г.г., представленные на Рис. 7 и 8.

Рис. 7 Динамика дневного курса USD/RUB

Рис. 8 Динамика дневного курса EUR/RUB

Основываясь на анализе графиков, представленных на Рис. 7 и 8, можно сделать вывод о том, что временные ряды, характеризующие динамику ежедневных курсов доллара США и евро к рублю, являются нестационарными, поскольку в них наблюдается ярко выраженный тренд и случайная компонента.

Далее проверим гипотезу о нестационарности рядов исходных данных с помощью теста на единичный корень (Unit Root Test). Используемый тип теста - расширенный тест Дикки - Фуллера, поскольку этот тест чаще всего используется на практике. Нулевая гипотеза данного теста говорит о наличии единичного корня, а значит о нестационарности ряда. Результаты теста для данных по курсу доллара США и евро представлены в Таблицах 7 и 8 соответственно.

Таблица 7

Результаты теста на единичный корень для данных по курсу USD/RUB

Null Hypothesis: USD has a unit root

Exogenous: Constant

Lag Length: 2 (Automatic - based on SIC, maxlag=16)

t-Statistic

  Prob.*

Augmented Dickey-Fuller test statistic

-0.038376

 0.9535

Test critical values:

1% level

-3.446906

5% level

-2.868732

10% level

-2.570668

Согласно Таблице 7, для доллара США получен уровень значимости (Prob.*) одностороннего f-критерия (t-Statistic) равный 0,9535, что говорит о том, что нулевая гипотеза о наличии единичного корня не опровергается, следовательно, исходный временной ряд нестационарен.

Таблицы 8

Результаты теста на единичный корень для данных по курсу EUR/RUB

Null Hypothesis: EUR has a unit root

Exogenous: Constant

Lag Length: 0 (Automatic - based on SIC, maxlag=16)

t-Statistic

  Prob.*

Augmented Dickey-Fuller test statistic

-0.808362

 0.8152

Test critical values:

1% level

-3.446819

5% level

-2.868694

10% level

-2.570647

Согласно данным Таблицы 8, уровень значимости (Prob.*) для ряда курсов евро составляет 0,8152, а значит в этом случае нулевая гипотеза не опровергается, следовательно, исходный временной ряд также нестационарен.

Вследствие особенностей нестационарных временных рядов (среднее значение, дисперсия и автоковариация изменяются во времени), по ним затруднительно строить прогнозы, особенно в периоды резких колебаний, которые, например, были заметны в конце 2014 – начале 2015 г.г. Поэтому, для построения модели, которая бы давала адекватные прогнозы, необходимо привести нестационарный ряд данных к стационарному. В нашем случае это целесообразно сделать за счет использования логарифмической доходности вместо значений валютного курса. Рассмотрим формулу доходности () валютного курса ():

          (9)

С помощью логарифмирования уравнения доходности (9) получим формулу логарифмической доходности:

         (10)

Для того, чтобы построить переменную lnr (логарифмическая доходность) по долларам США и по евро в Eviews, необходимо ввести команды genr lnrusd=log(usd/usd(-1)) и genr lnreur=log(eur/eur(-1)). На основе полученных значений проверим ряд логарифмических доходностей доллара США и евро на стационарность. Графики доходностей представлены на Рис. 9 и 10 соответственно для курсов USD/RUB и EUR/RUB.

Рис. 9 Динамика логарифмической доходности дневного курса USD/RUB

Рис. 10 Динамика логарифмической доходности дневного курса EUR/RUB

Графики, представленные на Рис. 9 и 10, значительно отличаются от графиков на Рис. 7 и 8. На графиках динамики логарифмической доходности курсов валют нет тренда, среднее и дисперсия ряда относительно постоянны, что позволяет сделать вывод о стационарности данного ряда. Для большей уверенности проведем тест на единичный корень для исходных уровней ряда (Unit Root Test), результаты представлены в Таблицах 9 и 10.

Таблица 9

Итоги решения расширенного теста Дикки-Фуллера для логарифмической доходности курса USD/RUB

Null Hypothesis: LNRUSD has a unit root

Exogenous: Constant

Lag Length: 1 (Automatic - based on SIC, maxlag=16)

t-Statistic

  Prob.*

Augmented Dickey-Fuller test statistic

-12.52914

 0.0000

Test critical values:

1% level

-3.446906

5% level

-2.868732

10% level

-2.570668


Таблица 10

Итоги решения расширенного теста Дикки-Фуллера для логарифмической доходности курса EUR/RUB

Null Hypothesis: LNREUR has a unit root

Exogenous: Constant

Lag Length: 1 (Automatic - based on SIC, maxlag=16)

t-Statistic

  Prob.*

Augmented Dickey-Fuller test statistic

-12.39181

 0.0000

Test critical values:

1% level

-3.446906

5% level

-2.868732

10% level

-2.570668

Согласно данным Таблиц 9 и 10, по результатам тестов получены уровни значимости (Prob.*) равные нулю, что говорит о том, что нулевая гипотеза теста о наличии единичного корня (нестационарности ряда) отклоняется на 95% уровне значимости, а значит исследуемые ряды логарифмической доходности являются стационарными, а значит пригодными для построения прогнозной модели.

Так, нам удалось свести нестационарный ряд к стационарному, посредствам расчета логарифмических доходностей. Однако более сложной задачей является построение уравнения регрессии со стационарной AR-структурой, что необходимо для получения устойчивых (к воздействию внешних шоков) прогнозов.

При построении модели AR(p) важной задачей является верное определение параметров ряда (p), то есть оптимального количества лагов. Инструментами для нахождения оптимального количества лаговых переменных для данной модели является частная автокорреляционная функция (Partial Correlation - РАС). Так, в качестве лага р выбирается лаг, после которого начинает убывать частная автокорреляционная функция.

  В программе Eviews возможно быстро определить оптимальное значение параметра p в модели AR(p) посредством построения коррелограммы зависимости между лагами временного ряда с ежедневными курсами доллара США и евро к российскому рублю и частной автокорреляционной функцией. Соответствующие коррелограммы представлены в Таблицах 11 и 12.

Таблица 11

Коорелограмма временного ряда логарифмических доходностей курсов USD/RUB с величиной лага от 1 до 5

Date: 05/20/15   Time: 11:05

Sample: 2/01/2014 2/28/2015

Included observations: 392

Autocorrelation

Partial Correlation

AC 

 PAC

 Q-Stat

 Prob

       *|.     |

       *|.     |

1

-0.104

-0.104

4.2878

0.038

       .|*     |

       .|*     |

2

0.162

0.153

14.687

0.001

       .|.     |

       .|.     |

3

-0.014

0.017

14.768

0.002

       .|*     |

       .|.     |

4

0.074

0.051

16.935

0.002

       .|.     |

       .|.     |

5

-0.012

-0.002

16.995

0.005


Таблица 12

Коорелограмма временного ряда логарифмических доходностей курсов EUR/RUB с величиной лага от 1 до 5

Date: 05/20/15   Time: 11:06

Sample: 2/01/2014 2/28/2015

Included observations: 392

Autocorrelation

Partial Correlation

AC 

 PAC

 Q-Stat

 Prob

       .|.     |

       .|.     |

1

-0.046

-0.046

0.8330

0.361

       .|*     |

       .|*     |

2

0.139

0.137

8.5107

0.014

       *|.     |

       .|.     |

3

-0.069

-0.058

10.380

0.016

       .|*     |

       .|.     |

4

0.084

0.062

13.222

0.010

       .|.     |

       .|.     |

5

-0.034

-0.013

13.696

0.018


В полученных коррелограммах отображено изменение коэффициента частной автокорреляции (РАС) в зависимости от изменения величины лага. Исходя из данных, представленных в Таблицах 11 и 12, можно сделать вывод, что коэффициент частной автокорреляции начинает убывать с лага 2-го порядка, поэтому для прогнозирования курсов рассматриваемых валют с помощью модели авторегрессии необходимо использовать модель AR(2), которую можно записать в следующем виде:

(11)

где:

c – константа;

– логарифмическая доходность валютного курса в момент времени t (зависимая переменная);

и  – логарифмическая доходность валютного курса в момент времени t-1 b t-2 соответственно (независимые переменные):

– коэффициенты, отражающие влияние независимых переменных на зависимую;

– «белый» шум.

Определившись с видом уравнения регрессии необходимо его решить и проверить полученные оценки параметров на значимость. Для этого в Eviews задаем новый объект – уравнение (Equation) и вводим следующие команды: lnrusd lnrusd(-1) lnrusd(-2) c и lnreur lnreur(-1) lnreur(-2) c. Следует также отметить, что данные уравнения оцениваются методом наименьших квадратов (Ordinary least squares –OLS). Полученные результаты оценивания уравнения представлены в Таблицах 13 и 14.

Таблица 13

Результаты оценивания уравнения модели AR(2) для логарифмической доходности курса доллара США

Dependent Variable: LNRUSD

Method: Least Squares

Date: 05/20/15   Time: 11:26

Sample (adjusted): 2/04/2014 2/28/2015

Included observations: 390 after adjustments

Variable

Coefficient

Std. Error

t-Statistic

Prob.  

LNRUSD(-1)

-0.088234

0.050221

-1.756924

0.0797

LNRUSD(-2)

0.153056

0.050246

3.046151

0.0025

C

0.001325

0.000769

1.722436

0.0858

R-squared

0.034010

    Mean dependent var

0.001414

Adjusted R-squared

0.029017

    S.D. dependent var

0.015269

S.E. of regression

0.015046

    Akaike info criterion

-5.547790

Sum squared resid

0.087606

    Schwarz criterion

-5.517281

Log likelihood

1084.819

    Hannan-Quinn criter.

-5.535696

F-statistic

6.812563

    Durbin-Watson stat

2.000433

Prob(F-statistic)

0.001237

Согласно данным Таблицы 13 коэффициенты перед переменной LNRUSD(-1) значим на 92% уровне значимости, коэффициент перед LNRUSD(-2) значим на 95% уровне значимости, константа значима, но на 90% уровне значимости. Также важно сказать про знаки коэффициентов и их толкование. Так, при росте логарифмической доходности вчера на 1 и позавчера на 1, доходность сегодня снизится на 0,088 и увеличится на 0,153 соответственно. В целом, коэффициенты не противоречат здравому смыслу.

Таблица 14

Результаты оценивания уравнения модели AR(2) для логарифмической доходности курса евро

Dependent Variable: LNREUR

Method: Least Squares

Date: 05/20/15   Time: 11:27

Sample (adjusted): 2/04/2014 2/28/2015

Included observations: 390 after adjustments

Variable

Coefficient

Std. Error

t-Statistic

Prob.  

LNREUR(-1)

-0.040041

0.050363

-0.795046

0.4271

LNREUR(-2)

0.137636

0.050370

2.732485

0.0066

C

0.000817

0.000786

1.039497

0.2992

R-squared

0.021027

    Mean dependent var

0.000909

Adjusted R-squared

0.015968

    S.D. dependent var

0.015592

S.E. of regression

0.015467

    Akaike info criterion

-5.492570

Sum squared resid

0.092580

    Schwarz criterion

-5.462061

Log likelihood

1074.051

    Hannan-Quinn criter.

-5.480476

F-statistic

4.156089

    Durbin-Watson stat

1.979062

Prob(F-statistic)

0.016374

По данным Таблицы 14 коэффициенты перед переменной LNREUR(-1) является статистически незначимым на 95% уровне значимости, также незначима константа, однако исключение их из регрессии не приведет к хороши результатам. Коэффициент перед LNREUR(-2) значим на 95% уровне значимости. Далее рассмотрим смысл полученных коэффициентов. Можно сказать, что при росте логарифмической доходности вчера на 1 и позавчера на 1, доходность сегодня снизится на 0,04 и увеличится на 0,137 соответственно. В целом, коэффициенты в данном уравнении также не противоречат здравому смыслу.

Также стоит рассмотреть основные индикаторы качества уравнения регрессии, такие как логарифм максимального правдоподобия (Log likelihood) и информационные критерии Акаика (Akaike info criterion) и Шварца (Schwarz criterion). Чем выше логарифм максимального правдоподобия, тем более адекватным считается уравнение регрессии. В свою очередь, критерии Акаика и Шварца используются для определения оптимальной величины лага в регрессионном уравнении. Они оценивают остаточную сумму квадратов и снижаются при добавлении значимого фактора в регрессию.

Так, сравнивая два уравнения регрессии можно сказать, что наиболее удачно подобрано уравнение для описания динамики логарифмической доходности курса доллара США, так как Log likelihood: 1 084,819 > 1 074,051, а Akaike info criterion и Schwarz criterion -5,547< -5,493 и -5,517 < -5,462. В целом уравнение с двумя лагами хорошо описывает данные логарифмических доходностей обоих курсов.

Далее необходимо проверить устойчивость построенной прогностической модели к резким изменениям волатильности на валютном рынке, то есть протестировать AR-структуру модели на стационарность. В свете последних событий, происходивших на валютном рынке (резкие колебания валютных курсов в связи с политической ситуацией на мировой арене) вопрос стационарности модели прогнозирования курсов является ключевым. Для тестирования модели на стационарность структуры часто используют следующие методы: нахождение корней характеристического уравнения (Inverse Roots) и нахождение функции импульсного и накопленного импульсного ответа (Impulse Response).

Начнем с поиска корней характеристического уравнения. Для этого необходимо снова оценить прежние уравнения, но преобразовав их так, чтобы они имели AR-структуру: lnrusd AR(1) AR(2) c и lnreur AR(1) AR(2) c. Результаты представлены в Таблицах 15 и 16 и на Рис. 11 и 12.

Таблица 15

Корни характеристического уравнения для уравнения логарифмических доходностей курса доллара США

Inverse Roots of AR/MA Polynomial(s)

Specification: LNRUSD AR(1) AR(2) C

Date: 05/20/15   Time: 12:13

Sample: 2/01/2014 2/28/2015

Included observations: 390

AR Root(s)

Modulus

Cycle

 -0.437821

 0.437821

  0.349586

 0.349586

 No root lies outside the unit circle.

 AR model is stationary.

Рис. 11 Отображение корней характеристическо уравнения для уравнения логарифмических доходностей курса доллара США на единичном круге

Таблица 16

Корни характеристического уравнения для уравнения логарифмических доходностей курса евро

Inverse Roots of AR/MA Polynomial(s)

Specification: LNREUR AR(1) AR(2) C

Date: 05/20/15   Time: 12:22

Sample: 2/01/2014 2/28/2015

Included observations: 390

AR Root(s)

Modulus

Cycle

 -0.391553

 0.391553

  0.351513

 0.351513

 No root lies outside the unit circle.

 AR model is stationary.


Рис. 12 Отображение корней характеристическо уравнения для уравнения логарифмических доходностей курса евро на единичном круге

Согласно Рис. 11 и 12, полученные корни характеристических уравнений лежат внутри единичного круга (то есть все корни меньше единицы по модулю – Таблицы 15 и 16), что позволяет сделать вывод о стационарности AR-структуры обоих рассматриваемых регрессионных уравнений. В свою очередь стационарность структуры уравнений обуславливает устойчивость коэффициентов модели к воздействию резких изменений курса рассматриваемых валют.

Далее протестируем AR-структуру модели на стационарность через функцию импульсного и накопленного импульсного ответа, представленную в Таблицах 17 и 18.

Таблица 17

Импульсный ответ AR-структуры для уравнения логарифмической доходности курса доллара США

ARMA Impulse Response

Specification: LNRUSD AR(1) AR(2) C

Date: 05/20/15   Time: 12:45

Sample: 2/01/2014 2/28/2015

Included observations: 390

Period

Response

Std.Err.

Accumulated

Std.Err.

 1

 0.015046

 (0.00054)

 0.015046

 (0.00054)

 2

-0.001328

 (0.00076)

 0.013718

 (0.00090)

 3

 0.002420

 (0.00076)

 0.016138

 (0.00118)

 4

-0.000417

 (0.00027)

 0.015721

 (0.00126)

 5

 0.000407

 (0.00025)

 0.016129

 (0.00138)

 6

 0.000000

 (0.00000)

 0.016029

 (0.00137)

 7

 0.000000

 (0.00000)

 0.016100

 (0.00140)

 8

 0.000000

 (0.00000)

 0.016078

 (0.00140)

 9

 0.000000

 (0.00000)

 0.016091

 (0.00141)

 10

 0.000000

 (0.00000)

 0.016087

 (0.00141)

 11

 0.000000

 (0.00000)

 0.016089

 (0.00141)

 12

 0.000000

 (0.00000)

 0.016088

 (0.00141)

 13

 0.000000

 (0.00000)

 0.016089

 (0.00141)

 14

 0.000000

 (0.00000)

 0.016089

 (0.00141)

 15

 0.000000

 (0.00000)

 0.016089

 (0.00141)

LR

 0.000000

 (0.00000)

 0.016089

 (0.00141)

Таблица 18

Импульсный ответ AR-структуры для уравнения логарифмической доходности курса евро

ARMA Impulse Response

Specification: LNREUR AR(1) AR(2) C

Date: 05/20/15   Time: 12:45

Sample: 2/01/2014 2/28/2015

Included observations: 390

Period

Response

Std.Err.

Accumulated

Std.Err.

 1

 0.015467

 (0.00055)

 0.015467

 (0.00055)

 2

-0.000619

 (0.00078)

 0.014848

 (0.00094)

 3

 0.002154

 (0.00078)

 0.017001

 (0.00124)

 4

-0.000171

 (0.00022)

 0.016830

 (0.00135)

 5

 0.000303

 (0.00022)

 0.017133

 (0.00147)

 6

 0.000000

 (0.00000)

 0.017097

 (0.00148)

 7

 0.000000

 (0.00000)

 0.017140

 (0.00151)

 8

 0.000000

 (0.00000)

 0.017134

 (0.00151)

 9

 0.000000

 (0.00000)

 0.017140

 (0.00151)

 10

 0.000000

 (0.00000)

 0.017139

 (0.00151)

 11

 0.000000

 (0.00000)

 0.017140

 (0.00151)

 12

 0.000000

 (0.00000)

 0.017140

 (0.00151)

 13

 0.000000

 (0.00000)

 0.017140

 (0.00151)

 14

 0.000000

 (0.00000)

 0.017140

 (0.00151)

 15

 0.000000

 (0.00000)

 0.017140

 (0.00151)

LR

 0.000000

 (0.00000)

 0.017140

 (0.00151)

В Таблицах 17 и 18 в первую очередь нужно обратить внимание на величину стандартной ошибки функции импульсного ответа (St.err.), так как данный показатель характеризует AR модель с точки зрения реагирования на однократное резкое повышение или снижение курса иностранной валюты. Так, в нашем случае, величина ответа на импульс асимптотически стремится к нулю, что говорит о стационарности структуры AR модели и ее устойчивости к внешним шокам. Также в Таблицах 17 и 18 содержатся данные о величине стандартной ошибки функции накопленного импульсного ответа, которая отражает ответ на текущий импульс (резкое изменение курса), в условиях непрерывного повторения подобных импульсов в течение всего исследуемого периода. Данный показатель также близок к нулю, что говорит об устойчивости модели.

Итак, нам удалось построить регрессионные уравнения, характеризующиеся стационарностью структуры и устойчивостью коэффициентов к шоковым изменениям. Однако главной целью построения модели является получение как можно более точных прогнозов. Перед построением прогнозов и их тестированием необходимо убедиться, что остатки стационарны и в них не наблюдается автокорреляции.

Тест на стационарность остатков проводится аналогично тестированию модели на стационарность – проводится расширенный тест Дикки-Фуллера. Однако тест осуществляется не на значениях ряда, а на первых разностях. Кроме того, при тестировании остатков не учитывается тренд и константа, поскольку в остатках они просто отсутствуют. Результаты теста представлены в Таблицах 19 и 20.


Таблица 19

Итоги решения расширенного теста Дикки-Фуллера для логарифмической доходности курса USD/RUB

Null Hypothesis: D(RESID) has a unit root

Exogenous: None

Lag Length: 13 (Automatic - based on SIC, maxlag=16)

t-Statistic

  Prob.*

Augmented Dickey-Fuller test statistic

-11.14485

 0.0000

Test critical values:

1% level

-2.571143

5% level

-1.941671

10% level

-1.616133

Таблица 20

Итоги решения расширенного теста Дикки-Фуллера для логарифмической доходности курса EUR/RUB

Null Hypothesis: D(RESID) has a unit root

Exogenous: None

Lag Length: 13 (Automatic - based on SIC, maxlag=16)

t-Statistic

  Prob.*

Augmented Dickey-Fuller test statistic

-10.87657

 0.0000

Test critical values:

1% level

-2.571143

5% level

-1.941671

10% level

-1.616133

Согласно Таблицам 19 и 20 статистика теста Дикки-Фуллера для остатков моделей равна -11,145585 и -10,87657 для логарифмической доходности курсов доллара США и евро соответственно, а их значимость (Prob.) равна 0,0000. Это означает, что нулевая гипотеза о том, что остатки имеет единичный корень (ряд нестационарен), отвергается, а, следовательно, мы можем принять альтернативную гипотезу о стационарности полученных остатков.

 Далее проверим остатки на наличие в них автокорреляции. С этой целью в программе EViews целесообразно использовать LM-тест Бройша-Годфри (Breusch-Godfrey Serial Correlation LM Test). Данный тест основывается на построении регрессионного уравнения остатков с заданной величиной лага, на основе которого и делается вывод о наличии или отсутствии автокорреляции в остатках. Результаты теста представлены в Таблицах 21 и 22.

Таблица 21

Результаты LM-тест для уравнения логарифмической доходности курса доллара США

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

0.355022

    Prob. F(2,385)

0.7014

Obs*R-squared

0.717941

    Prob. Chi-Square(2)

0.6984

Таблица 22

Результаты LM-тест для уравнения логарифмической доходности курса евро

Breusch-Godfrey Serial Correlation LM Test:

F-statistic

1.340122

    Prob. F(2,385)

0.2630

Obs*R-squared

2.696282

    Prob. Chi-Square(2)

0.2597

Анализируя данные Таблиц 21 и 22 в первую очередь необходимо обратить внимание на значимость показателя Obs × R-squaredу – Prob. Chi-Square(2). Нулевая гипотеза теста говорит об отсутствии автокорреляции в остатках модели, а значит, если значения Prob. Chi-Square(2) больше 0,05, как в нашем случае, то нет оснований отклонить кулевую гипотезу.

Так, мы получили модель со стационарной AR-структурой, устойчивыми коэффициентами, стационарными и не автокоррелированными остатками. Следующий шаг – это построение точечного прогноза на 1 марта 2015 года и оценка точности полученного прогноза. Результаты оценки точности прогноза представлены на Рис.13 и 14.

Рис. 13 Показатели качества точечного прогноза для уравнения логарифмической доходности курса доллара США

Рис. 14 Показатели качества точечного прогноза для уравнения логарифмической доходности курса евро

 Для каждого из представленных значений, представленных на Рис. 13 и 14 существует идеальное значение равное нулю, за исключением показателя Covariance Proportion (доля ковариации), который должен стремиться к единице. Важно отметить, что в случае использования логарифмического ряда показатель   Mean Absolute Percentage Error (средняя ошибка по модулю, %) не рассматривается в силу особенностей ряда логарифмических доходностей.

Значения показателей, представленные на Рис. 13 и 14, характеризуют уровень точности модели как приемлемый. Так, значение показателя Theil Inequality Coefficient (коэффициент Тейла), отражающее общее качество прогностической модели, в нашем случае равно 0,81 и 0,85, что говорит о не очень хорошей прогностической точности. Однако, значения показателей Root Mean Squared Error (квадратный корень средней ошибки предсказания) и Mean Absolute Error (средняя ошибка) стремятся к нулю, Bias Proportion (доля систематической ошибки прогноза) равна нулю, что говорит о высокой точности прогноза. В целом, можно о говорить о приемлемой степени точности прогнозной модели.

Важно сказать, что прогнозное значение является логарифмом доходности курса иностранной валюты (), а значит, для того чтобы вычислить абсолютное значение прогнозного курса () необходимо произвести некоторые вычисления:

, где            (12)

В программе Eviews эти преобразования выполняются с помощью следующих команд: genr rusdf=exp(lnrusdf) и genr usdf=usd(-1)*rusdf; genr reurf=exp(lnreurf) и genr eurf=usd(-1)*reurf.

Так, рассмотрим прогнозные значения курсов USD/RUB и EUR/RUB на первую неделю марта 2015 года, и сравним их с реальными значениями, путем расчета отклонений одного от другого (Таблица 23).

Таблица 23

Сравнение спрогнозированных и фактических курсов валют за период с 01.03.15 по 07.03.15 г.г.

Дата

Спрогнозированные значения курса, руб.

Фактические значения курса, руб.

Отклонение прогноза от факта, руб.

USD/RUB

St/St-1

01.03.2015

61,534

1,000117

61,649

-0,115

02.03.2015

61,703

1,000867

62,545

-0,842

03.03.2015

61,629

0,985357

61,845

-0,215

04.03.2015

61,507

0,994536

61,833

-0,326

05.03.2015

60,573

0,979620

60,830

-0,257

06.03.2015

60,066

0,987442

60,159

-0,093

07.03.2015

60,147

0,999801

60,359

-0,212

Дата

Спрогнозированные значения курса, руб.

Фактические значения курса, руб.

Отклонение прогноза от факта, руб.

EUR/RUB

St/St-1

01.03.2015

67,622

0,989652

68,240

-0,618

02.03.2015

69,510

1,018608

69,880

-0,370

03.03.2015

68,352

0,978136

68,974

-0,622

04.03.2015

67,872

0,984019

68,367

-0,495

05.03.2015

66,709

0,975746

67,081

-0,372

06.03.2015

64,757

0,965361

65,304

-0,547

07.03.2015

64,604

0,989279

64,810

-0,206

По данным Таблицы 23 можно сказать, что в целом, модель прогнозирования курсов оправдывает себя, так как наибольшее число отклонений прогнозных значений от фактических не велико (менее 1 рубля). Также стоит отметить, что спрогнозированные курсы повторяют динамику фактических значений, что очень важно для целей стратегического риск-менеджмента.

Также для того, чтобы убедиться в приемлемой точности построенной модели, можно сравнить фактические курсы с прогнозами ведущих аналитиков банковского сектора, которые осуществляют операции с валютой ежедневно. Так, по прогнозам аналитиков банка «Зенит», на конец марта курс доллара должен был снизиться до уровня 51 руб./долл., а стоимость 1 евро до 67 руб., в то же время, представители банка «БКС Премьер» оценивали мартовский курс на уровне 59 руб./долл. и 72 руб./евро54. Если сравнить прогноз в 51 руб./долл. и 57 руб./долл. с реальными 60 руб./долл. (в среднем за март 2015 года) становится очевидно, что даже опытные эксперты не в силах с абсолютной точностью предсказать будущие значения курсов валют. Так, можно сделать вывод, что отклонения в несколько копеек, которые дает построенная модель не ухудшают ее прогнозную точность.


2.3 Количественная оценка валютного риска АО «ВОКБАНК»

В качестве количественной оценки валютного риска АО «ВОКБАНК», в данной работе рассчитан показатель Value-at-Risk (далее VaR). Напомним, что данный показатель означает максимально возможную величину потерь (в данной работе по портфелю иностранных валют), за определенный период с заданной вероятностью.

Ранее в пункте 1.4 данной работы было произведено сравнение методов расчета VaR. Согласно полученным результатам наиболее приемлемыми методами расчета рассматриваемого показателя для валютного риска являются метод исторического моделирования (далее исторический) и аналитический метод.

Перед началом работы необходимо определить параметры оценивания. Во-первых, глубина периода расчета VaR представлена ежедневными данными по обменным курсам валют (USD/RUB и EUR/RUB) за месяц (март 2015 года) и месячными данными по курсам за год (с 01.03.2014 г. по 01.03.2015 г.). Во-вторых, используются три наиболее часто используемых уровня доверия, такие как 90%, 95% и 99%. В-третьих, важно сказать, что показатель VaR в данной работе рассчитан как отдельно по валютам, так и для портфеля валют. Также стоит отметить, что данные по валютным курсам, используемые для расчетов, заимствованы с сайта www.finam.ru55, а сами расчеты проводились в программе Excel на основе инструкции, изложенной в научной литературе56.

Итак, приступим к расчетам и начнем с метода исторического моделирования. Стоит отметить, что исходные данные по котировкам валютных курсов представлены за интервалы времени (день и месяц), соответствующие временному горизонту VaR (ежедневный и месячный VaR). Рассмотрим Таблицы 24 и 25, в которых частично представлены данные и порядок расчета показателя VaR историческим методом по дневным и месячным данным соответственно (полные Таблицы в Приложении 1 и 2).

Таблица 24

Порядок расчета VaR историческим методом по дневным данным валютных курсов

День

Валютный курс

Доходность валюты

USD/RUB

EUR/RUB

USD/RUB

EUR/RUB

01.03.2015

61,6494

68,24

-

-

02.03.2015

62,5451

69,88

0,015

0,024

03.03.2015

61,8446

68,974

-0,011

-0,013

04.03.2015

61,833

68,3668

0,000

-0,009

05.03.2015

60,8299

67,081

-0,016

-0,019

День

Изменение стоимости отдельных валют

Изменение стоимости портфеля валют (V)

USD

EUR

01.03.2015

-

-

-

02.03.2015

33 842,63

39 109,64

72 952,28

03.03.2015

-26 088,27

-21 098,63

-47 186,90

04.03.2015

-436,90

-14 326,01

-14 762,92

05.03.2015

-37 788,04

-30 606,04

-68 394,08

Таблица 25

Порядок расчета VaR историческим методом по месячным данным валютных курсов

День

Валютный курс

Доходность валюты

USD/RUB

EUR/RUB

USD/RUB

EUR/RUB

01.03.2014

35,04

48,241

-

-

01.04.2014

35,61

49,3966

0,016

0,024

01.05.2014

34,88

47,556

-0,020

-0,037

01.06.2014

33,9612

46,509

-0,026

-0,022

01.07.2014

35,7171

47,838

0,052

0,029

День

Изменение стоимости отдельных валют

Изменение стоимости портфеля валют (V)

USD

EUR

01.03.2014

-

-

-

01.04.2014

37 891,45

38 982,55

76 874,00

01.05.2014

-47 750,87

-60 637,51

-108 388,38

01.06.2014

-61 358,53

-35 827,82

-97 186,35

01.07.2014

120 433,46

46 501,50

166 934,97

В Таблицах 24 и 25 содержатся некоторые расчеты, необходимые для определения показателя VaR. Так, доходности валют () рассчитывались как темп прироста по формуле:

           (13)

где:

– валютный курс i-ой валюты.

Изменение стоимости отдельной валюты () рассчитывается по следующей формуле:

          (14)

где:

- открытая валютная позиция по i-ой валюте, выраженная в рублях; рассчитывается путем умножения ОВП в i-ой валюте на ее текущий курс.

– курс на момент расчета VaR (в данном случае 01.04.2015)

Так как в ваше представленной формуле присутствуют значения, данные по которым еще не представлены, то рассмотрим их в Таблице 26.

Таблица 26

Данные по текущему курсу и ОВП

 

Кол-во валюты, тыс. ед.

Текущий курс, руб. за ед.

ОВПi, тыс. руб.

Знак ОВП

USD

698,9706

57,7279

40 350

+

EUR

415,7279

62,5655

26 010

+

После рассмотрения необходимых промежуточных действий, построим Таблицу 27, в которой представлены итоговые значения VaR, рассчитанные методом исторического моделирования с использованием различных уровней вероятности для отдельных валют и по портфелю в целом. Расчеты VaR проводились в программе Excel с помощью функции «ПРОЦЕНТИЛЬ.ВКЛ», которая использует данные по изменению стоимости валют и значение заданной вероятности.

Таблица 27

Результаты расчета показателя VaR (в тыс. руб.) историческим методом

Ежедневный VaR

Валюта:

Уровень доверительной вероятности:

90%

95%

99%

USD

28 540

35 404

49 677

EUR

9 744

21 299

35 495

Portfolio

29 480

54 791

79 113

Недельный VaR

Валюта:

Уровень доверительной вероятности:

90%

95%

99%

USD

75 509

93 671

131 432

EUR

25 779

56 351

93 911

Portfolio

77 996

144 965

209 314

Месячный VaR

Валюта:

Уровень доверительной вероятности:

90%

95%

99%

USD

418 467

425 595

428 214

EUR

234 551

253 751

261 715

Portfolio

633 710

656 681

670 915

В Таблице 27 представлены ежедневные и месячные значения VaR, рассчитанные по фактическим данным, а также недельные значения VaR, рассчитанные путем масштабирования по следующей формуле:

          (15)

Результаты расчетов, представленные Таблицы 27 нуждаются в грамотной интерпретации. Объясним смысл одного показателя, выделенного цветом, так как остальные значения будут интерпретироваться аналогично. Так, значение VaR по портфелю валют равное 656 681 тыс. руб. для месячного временного горизонта и доверительного интервала 95% означает следующее: во-первых, вероятность того, что в течение следующих тридцати дней по валютному портфелю банк потеряет меньше чем 656 681 тыс. руб., составляет 95%; во-вторых, вероятность того, что убытки банка по валютному портфелю превысят 656 681 тыс. руб. в течение ближайшего месяца, равна 5%; в-третьих, убытки по валютному портфелю, превышающие 656 681 тыс. руб., ожидаются в среднем пять раз в 100 дней торгов. Также стоит отметить, что значение VaR по портфелю не равно сумме значений VaR по отдельным валютам, входящим в портфель.

Далее рассмотрим порядок расчета VaR аналитическим методом. Особенностью данного метода является то, что в качестве распределения доходностей актива используется нормальное распределение. В силу частого использования данного распределения уже создана специальная таблица, в которой рассчитаны квантили для каждого уровня доверительной вероятности, представленные в Таблице 28.

Таблица 28

Доверительный уровень

Квантиль для нормального распределения (k)

0,9

1,28

0,95

1,65

0,99

2,33

Данные Таблицы 28 входят в расчет показателя VaR по каждой валюте следующим образом:

          (16)

- открытая валютная позиция по i-ой валюте, выраженная в рублях;

k – коэффициент, соответствующий уровню доверительной вероятности (по таблице нормального распределения);

– среднее квадратичное отклонение по i-ой валюте, рассчитываемое по формуле:

          (17)

где:

– значение курса валюты;

– среднее значение показателя;

n - количество значений в анализируемой совокупности.

Так как нам нужно рассчитать дневное значение VaR, то среднее квадратичное отклонение, рассчитанное за месяц (по дневным данным) необходимо скорректировать по следующей формуле:

          (18)

А в случае расчета месячного значения VaR формула корректировки принимает следующий вид:

          (19)

Что касается расчета VaR по портфелю валют (), то данный показатель рассчитывается по следующей формуле:

          (20)

где V - матрица-столбец значений VaR по каждой валюте;

- транспонированная матрица-столбец значений VaR по каждой валюте (матрица-строка);

A - корреляционная матрица размерности n х n (n - число активов в портфеле).

Итак, представим результаты расчета показателя VaR аналитическим методом в Таблице 29. Исходные данные по которым велись расчеты аналогичны данным для метода исторического моделирования.

Таблица 29

Результаты расчета показателя VaR (в тыс. руб.) аналитическим методом

Ежедневный VaR

Валюта:

Уровень доверительной вероятности:

90%

95%

99%

USD

16 203

20 887

29 495

EUR

11 770

15 172

21 424

Portfolio

26 780

34 521

48 748

Недельный VaR

Валюта:

Уровень доверительной вероятности

90%

95%

99%

USD

42 870

55 262

78 036

EUR

31 140

40 141

56 684

Portfolio

70 853

91 334

128 974

Месячный VaR

Валюта:

Уровень доверительной вероятности

90%

95%

99%

USD

172 473

222 328

313 954

EUR

95 732

123 405

174 262

Portfolio

267 040

344 231

486 096

Интерпретация результатов расчетов VaR была рассмотрена выше, поэтому не будем больше заострять на этом внимание. Важно сказать, что результаты, представленные в Таблице 29, несколько отличаются от результатов, представленных в Таблице 27. Так, результаты оценки VaR, полученные аналитическим методом получились несколько заниженными по сравнению с оценками, рассчитанными методом исторического моделирования. Дело в том, что в основе аналитического метода лежит предпосылка о нормальности распределения доходностей активов, однако в реальности, особенно на финансовых рынках, эта предпосылка не выполняется. Так, нарушение главной предпосылки метода приводит к занижению оценок валютного риска, из-за существования более «тяжёлых хвостов» у реального распределение доходностей, по сравнению с нормальным распределением.

Так, можно сделать вывод, что наиболее эффективными оценками риска являются индикаторы Value-at-Risk? рассчитанные методом исторического моделирования, поэтому используем их для определения стратегии риск-менеджмента. Согласно данным отчетности АО «ВОКБАНК» за последний год, чистая прибыль данного банка, необходимая для покрытия возможных потерь, составляла в среднем 25 087 тыс. руб. за месяц (836 тыс. руб. в день). Очевидно, что возможные убытки, связанные с валютным риском, составляют значительную долю чистой прибыли банка, поэтому АО «ВОКБАНК» необходимо управлять валютными рисками, чтобы избежать критических потерь.

2.4 Управление валютным риском АО «ВОКБАНК»

В части 2.1 данной работы были рассмотрены основные характеристики АО «ВОКБАНК». Так, на основе разработанной Таблицы 4 (см. п. 1.5) и полученной информации об анализируемом банке, можно сказать, что наиболее подходящими для него стратегиями являются ограничение риска и передача риска (помимо универсальной стратегии избежание риска). В разрезе стратегии ограничения риска возможным является установление внутренних лимитов ОВП, в то время как диверсификация неосуществима, по причине того, что рассматриваемый банк преимущественно осуществляет операции с валютой от лица клиентов, а не от своего лица. Передача риска может осуществляться посредством хеджирования, то есть использования инструментов срочного валютного рынка.

Стоит отметить, что в данной работе будет рассмотрена только стратегия, предполагающая хеджирование ОВП с помощью использования фьючерсных контрактов, так как на наш взгляд это является наиболее эффективным методом, нежели установление внутренних лимитов. Кроме того, чтобы грамотно разработать лимиты по ОВП необходимо обладать информацией о функционировании банка изнутри, которой нет в свободном доступе.

Для принятия управленческих решений были разработаны специальные таблицы (Таблицы 30 и 31), позволяющие сделать вывод о необходимости, или наоборот, об отсутствии необходимости хеджирования открытой позиции (в долларах США и в евро), в зависимости от двух основных факторов – ОВП по отдельной валюте и прогнозируемая динамика валютных курсов.

Таблица 30

Таблица принятия решения о дате хеджирования в долларах США для АО «ВОКБАНК»

Темп прироста валютного курса

«+» ОВП (длинная)

выше 150 000 $

ниже 150 000 $

Снижение курса

> 0,83%

Хеджируем позицию (продажа фьючерса)

Не хеджируем позицию, так как ОВП сравнительно мала и не принесет банку существенных потерь.

< 0,83%

Снижение курса (потери) незначительное, не хеджируем позицию

Увеличение курса

Получаем доход от роста курса, не хеджируем позицию

Темп прироста валютного курса

«-» ОВП (короткая)

выше 150 000 $

ниже 150 000 $

Снижение курса

Имеющиеся обязательства в иностранной валюте (в рублевом эквиваленте) становятся для нас дешевле, поэтому не хеджируем позицию

Не хеджируем позицию, так как ОВП сравнительно мала и не принесет банку существенных потерь.

Увеличение курса

> 0,83%

Хеджируем позицию (покупка фьючерса)

< 0,83%

Увеличение курса (потери) незначительное, не хеджируем позицию

Таблица 31

Таблица принятия решения о дате хеджирования ОВП в евро для АО «ВОКБАНК»

Темп прироста валютного курса

«+» ОВП (длинная)

выше 200 000

ниже 200 000 €

Снижение курса

> 0,78%

Хеджируем позицию (продажа фьючерса)

Не хеджируем позицию, так как ОВП сравнительно мала и не принесет банку существенных потерь.

< 0,78%

Снижение курса (потери) незначительное, не хеджируем позицию

Увеличение курса

Получаем доход от роста курса, не хеджируем позицию

Темп прироста валютного курса

«-» ОВП (короткая)

выше 200 000

ниже 200 000 €

Снижение курса

Имеющиеся обязательства в иностранной валюте (в рублевом эквиваленте) становятся для нас дешевле, поэтому не хеджируем позицию

Не хеджируем позицию, так как ОВП сравнительно мала и не принесет банку существенных потерь.

Увеличение курса

> 0,78%

Хеджируем позицию (покупка фьючерса)

< 0,78%

Увеличение курса (потери) незначительное, не хеджируем позицию

Так, согласно Таблицам 30 и 31, необходимость хеджирования возникает в случае: если длинная ОВП превышает определенное пороговое значение и ожидается значительное снижение валютного курса; если короткая ОВП превышает определенное пороговое значение и ожидается значительное увеличения курса. Пороговое значение изменения валютного курса рассчитано как средний темп прироста за предшествующий месяц – февраль 2015 года отдельно для каждой валюты. Так, средний темп прироста для курса доллара США составил 0,0083, а для евро – 0,0078. Пороговое значение ОВП выбиралось исходя из имеющегося ряда данных, так, для ОВП в долларах США можно отметить пороговое значение в 150 000$, а для ОВП в евро – 200 000€. Стоит сказать, что Таблицы 30 и 31 были разработаны специально для АО «ВОКБАНКА», основываясь на данных отчетности, так для анализа стратегии хеджировании другого банка, необходимо изменять пороговые значения, но в целом, принцип сохраниться.

В данной части работы будут рассмотрены две ситуации: во-первых, получение курсовых прибылей (убытков) (далее - П/У) по отдельным валютам, в случае, если согласно таблицам с решениями необходимо хеджировать позицию, но банк этого не делает; во-вторых, получение итоговых П/У (сумма курсовых и фьючерсных П/У), в случае если согласно таблицам, с решениями необходимо хеджировать позицию и банк следует рекомендациям.

Начнем с первого пункта и представим расчеты курсовых прибылей (убытков) по курсам USD/RUB и EUR/RUB за март 2015 года в Таблице 32, в случае если банк не страхует свои валютные риски.

Таблица 32

Результаты расчетов курсовых прибылей (убытков) по ОВП в долларах США и евро

Дата

Котировка курса иностранной валюты к рублю

ОВП в ед. иностранной валюты

Курсовая Прибыль / Убыток в руб.

USD/RUB

EUR/RUB

USD ($)

EUR ()

USD ($)

EUR ()

01.03.15

61,65

68,24

301 536

203 405

-

-

02.03.15

62,55

69,88

150 635

110 563

270 086

333 584

03.03.15

61,84

68,97

10 547

-13 480

-105 520

-100 170

04.03.15

61,83

68,37

20 456

17 379

-122

8 185

05.03.15

60,83

67,08

39 081

55 954

-20 520

-22 346

06.03.15

60,16

65,30

135 536

207 033

-26 223

-99 430

07.03.15

60,36

64,81

175 715

368 883

27 134

-102 274

08.03.15

60,41

65,40

163 721

368 617

8 575

216 903

09.03.15

60,18

65,35

115 236

321 845

-37 770

-17 694

10.03.15

61,60

66,42

94 563

289 654

163 693

344 374

11.03.15

61,55

65,56

-36 134

212 819

-4 151

-247 944

12.03.15

61,02

65,06

-82 058

95 634

19 382

-107 814

13.03.15

61,98

64,89

105 340

231 961

-78 849

-15 627

14.03.15

62,09

65,25

59 339

234 411

12 114

82 346

15.03.15

62,30

65,02

45 029

213 614

12 040

-54 383

16.03.15

61,88

65,38

38 955

212 956

-18 755

78 396

17.03.15

61,42

64,99

35 865

212 235

-17 927

-84 118

18.03.15

59,05

64,01

196 710

232 565

-84 867

-206 929

19.03.15

59,76

63,92

249 267

238 559

139 388

-22 094

20.03.15

59,27

64,19

258 684

358 684

-122 265

65 127

21.03.15

59,25

63,83

204 440

248 752

-4 475

-131 637

22.03.15

59,31

64,17

205 442

244 907

11 101

86 566

23.03.15

58,40

64,07

320 377

259 844

-186 439

-24 491

24.03.15

57,60

62,85

336 564

258 956

-257 455

-318 049

25.03.15

57,29

62,81

348 742

258 140

-102 013

-10 358

26.03.15

57,23

62,25

365 260

282 957

-20 680

-144 558

27.03.15

57,24

62,59

338 722

294 088

2 959

97 620

28.03.15

57,80

62,84

273 685

244 000

189 921

71 463

29.03.15

57,93

62,85

265 466

241 335

33 472

3 904

30.03.15

57,49

62,38

456 254

356 754

-114 522

-115 044

31.03.15

58,09

62,32

698 971

415 728

271 061

-20 442

Итого:

 

 

 

 

-41 628,98

-456 933,79

В Таблице 32, курсовая прибыль (убыток) рассчитывается по следующей формуле:

          (21)

где:

– курсовая прибыль (убыток) по i-ой валюте в момент времени t;

– валютный курс i-ой валюты в момент времени t и t-1;

– открытая валютная позиция по i-ой валюте, выраженная в единицах иностранной валюты.

По данным Таблицы 32 можно сказать, что если АО «ВОКБАНК» не будет хеджировать свою ОВП, то за март 2015 года банк получит убытки в размере 41 629 руб. по ОВП в долларах США и 456 934 руб. по ОВП в евро. Очевидно, что банку с преимущественно длинной ОВП в условиях понижательного тренда валютных курсов, необходимо внедрять систему риск-менеджмента для минимизации убытков, связанных с валютными рисками, а именно хеджировать свою ОВП в соответствии с правилами, описанными в Таблицах 30 и 31.

В целях хеджирования валютного риска в данной работе используются валютные фьючерсы с наименованием: фьючерсный контракт на курс доллара США-российский рубль и фьючерсный контракт на курс евро-российский рубль. Рассмотрим их спецификацию, представленную в Таблицах 33 и 3457.

Таблица 33

Параметры валютного фьючерса на курс «доллар США – российский рубль»

Вид контракта

Фьючерс

Наименование контракта

Фьючерсный контракт на курс доллар США - российский рубль

Полный код контракта

Si-6.15

Краткий код

SiM5: «Si» – код базового актива; «М» - символ месяца исполнения фьючерса (июнь); «5» - последняя цифра года исполнения фьючерса (2015).

Тип контракта

Расчетный: расчет между сторонами проводится путем перечисления разницы между ценой поставки и рыночной ценой на дату исполнения (без физической передачи базисного актива) от проигравшей стороны выигравшей стороне.

Тик контракта, в зависимости от базисного актива.

Прямой хедж: ОВП по курсу доллару США к рублю страхуется фьючерсом с тем же базовым активом.

Базовый актив

курс доллара США по отношению к рублю

Лот

1 000$

Котировка

в рублях за лот

Начало обращения

11.03.2014

Последний день обращения

15.06.2015

Дата исполнения

15.06.2015

Цена исполнения

В качестве цены исполнения принимается значение фиксинга доллара США к рублю, определенное в день исполнения контракта на основании усредненных цен сделок и заявок, рассчитанных посекундно за период 12:25:01 – 12:30:00 МСК включительно, умноженное на количество долларов США в лоте и округленное с точностью до целых по правилам математического округления.

Min изменение цены контракта в ходе торгов (далее – минимальный шаг цены)

1

Стоимость минимального шага цены

1

Таблица 34

Параметры валютного фьючерса на курс «евро – российский рубль»

Вид контракта

Фьючерс

Наименование контракта

Фьючерсный контракт на курс доллар США - российский рубль

Полный код контракта

Eu-6.15

Краткий код

EuM5: «Eu» – код базового актива; «М» - символ месяца исполнения фьючерса (июнь); «5» - последняя цифра года исполнения фьючерса (2015).

Тип контракта

Расчетный: расчет между сторонами проводится путем перечисления разницы между ценой поставки и рыночной ценой на дату исполнения (без физической передачи базисного актива) от проигравшей стороны выигравшей стороне.

Тик контракта, в зависимости от базисного актива.

Прямой хедж: ОВП по курсу евро к рублю страхуется фьючерсом с тем же базовым активом.

Базовый актив

курс евро по отношению к рублю

Лот

1 000 €

Котировка

в рублях за лот

Начало обращения

23.10.2014

Последний день обращения

15.06.2015

Дата исполнения

15.06.2015

Цена исполнения

В качестве цены исполнения принимается значение фиксинга евро к рублю, определенное в день исполнения контракта на основании усредненных цен сделок и заявок, рассчитанных посекундно за период 12:25:01 – 12:30:00 МСК включительно, умноженное на количество евро в Лоте, и округленное с точностью до целых по правилам математического округления.

Min изменение цены контракта в ходе торгов (далее – минимальный шаг цены)

1

Стоимость минимального шага цены

1

Фьючерсные контракты, спецификация которых рассмотрена в Таблицах 33 и 34, выбраны не случайно. Во-первых, нам необходимы фьючерсные контракты на курсы доллара США и евро к рублю, а во-вторых, мы хотим рассмотреть применение стратегии хеджирование используя период месяц – март 2015 года. Так, выбранные контракты уже начали обращаться на срочном рынке к 1 марта 2015 года и еще не закончили обращение на 31 марта 2015. Вместе с тем дата конца обращения фьючерсов выбрана по возможности наиболее ближняя к 31 марта 2015 года.

Итак, перейдем непосредственно к вопросу хеджирования. Для определения стратегии банка (хеджировать ОВП / не хеджировать) были построены Таблицы 35 и 36. Данные таблицы были построены на основе данных по ОВП (в долларах США и евро), прогнозным и фактическим значениям валютных курсов, с использованием методики определения траектории действий, представленной в Таблицах 30 и 31.

Таблица 35

Решения по выбору дней хеджирования ОВП на конец дня в долларах США

Дата валютирования

Объем контракта, $

Хедж?

Курс RUB за 1 USD прогноз

Курс RUB за 1 USD факт

Хедж?

Решение

02.03.2015

150 635

1

-

62,5451

1

1

03.03.2015

10 547

0

61,7029

61,8446

0

0

04.03.2015

20 456

0

61,6293

61,8330

0

0

05.03.2015

39 081

0

61,5067

60,8299

0

0

06.03.2015

135 536

0

60,5728

60,1589

0

0

07.03.2015

175 715

1

60,0660

60,3591

0

0

08.03.2015

163 721

1

60,1148

60,4079

1

1

09.03.2015

115 236

0

59,8841

60,1772

1

0

10.03.2015

94 563

0

61,3046

61,5977

0

0

11.03.2015

-36 134

0

61,2607

61,5538

1

0

12.03.2015

-82 058

0

60,7243

61,0174

1

0

13.03.2015

105 340

0

61,6852

61,9783

0

0

14.03.2015

59 339

0

61,8002

62,0933

0

0

15.03.2015

45 029

0

62,0031

62,2962

1

0

16.03.2015

38 955

0

61,5866

61,8797

1

0

17.03.2015

35 865

0

61,1264

61,4195

1

0

18.03.2015

196 710

1

58,7601

59,0532

0

0

19.03.2015

249 267

1

59,4687

59,7618

1

1

20.03.2015

258 684

1

58,9782

59,2713

0

0

21.03.2015

204 440

1

58,9609

59,2540

0

0

22.03.2015

205 442

1

59,0152

59,3083

1

1

23.03.2015

320 377

1

58,1077

58,4008

1

1

24.03.2015

336 564

1

57,3041

57,5972

1

1

25.03.2015

348 742

1

57,0010

57,2941

0

0

26.03.2015

365 260

1

56,9417

57,2348

0

0

27.03.2015

338 722

1

56,9498

57,2429

0

0

28.03.2015

273 685

1

57,5105

57,8036

0

0

29.03.2015

265 466

1

57,6328

57,9259

1

1

30.03.2015

456 254

1

57,2014

57,4945

0

0

31.03.2015

698 971

1

57,7955

58,0886

0

0

Согласно данным Таблицы 35, ОВП по доллару США необходимо хеджировать 7 раз за месяц (числа, выделенные зеленым цветом). Единица в столбце «Решение» означает необходимость хеджирования, ноль – обратное. Так, в столбце «Решение» содержится значение единица только в случае одновременного выполнения двух условий (см. Таблицы 30 и 31).

Таблица 36

Решения по выбору дней хеджирования ОВП на конец дня в евро

Дата валютирования

Объем контракта, €

Хедж?

Курс RUB за 1 EUR прогноз

Курс RUB за 1 EUR факт

Хедж?

Решение

02.03.2015

110 563

0

-

69,8800

1

0

03.03.2015

-13 480

0

68,3521

68,9740

1

0

04.03.2015

17 379

0

67,8717

68,3668

1

0

05.03.2015

55 954

0

66,7086

67,0810

1

0

06.03.2015

207 033

1

64,7574

65,3040

1

1

07.03.2015

368 883

1

64,6039

64,8100

0

0

08.03.2015

368 617

1

65,1919

65,3980

1

1

09.03.2015

321 845

1

66,2139

66,4200

1

1

10.03.2015

289 654

1

65,1439

65,3500

0

0

11.03.2015

212 819

1

65,3579

65,5640

1

1

12.03.2015

95 634

0

64,8513

65,0574

0

0

13.03.2015

231 961

1

64,6879

64,8940

0

0

14.03.2015

234 411

1

65,0429

65,2490

0

0

15.03.2015

213 614

1

64,8109

65,0170

0

0

16.03.2015

212 956

1

65,1779

65,3840

1

1

17.03.2015

212 235

1

64,7829

64,9890

1

1

18.03.2015

232 565

1

63,8079

64,0140

0

0

19.03.2015

238 559

1

63,9859

64,1920

0

0

20.03.2015

358 684

1

63,7129

63,9190

0

0

21.03.2015

248 752

1

63,6189

63,8250

0

0

22.03.2015

244 907

1

63,9669

64,1730

0

0

23.03.2015

259 844

1

63,8669

64,0730

1

1

24.03.2015

258 956

1

62,6429

62,8490

0

0

25.03.2015

258 140

1

62,6029

62,8090

1

1

26.03.2015

282 957

1

62,0429

62,2490

0

0

27.03.2015

294 088

1

62,3879

62,5940

0

0

28.03.2015

244 000

1

62,6309

62,8370

0

0

29.03.2015

241 335

1

62,6469

62,8530

1

1

30.03.2015

356 754

1

62,1702

62,3763

0

0

31.03.2015

415 728

1

62,1129

62,3190

0

0

Рассмотрим наиболее подробно формулы расчета столбцов с названием «Хедж». Первый такой столбец отвечает за превышение предельного значения ОВП и задается формулой в программе excel как «ЕСЛИ (ОВПi > 150000$ (или 200000€); 1; 0)». Второй столбец «хедж» отвечает за соответствие динамики валютного курса определенным значениям и задается немного более сложной формулой: 

ЕСЛИ{ABS[() /] > 0,0083 (0,0078);1;0}          (22)

Так, согласно данным Таблицы 36, ОВП по евро необходимо хеджировать 10 раз за месяц (числа, выделенные зеленым цветом).

После того, как мы определили периоды, в которых будем хеджировать открытые позиции, важно отметить еще од