Торговые войны и бегство в облигации: меняется ли связь между акциями и госбумагами?

Автор: Денис Аветисян

Новое исследование показывает, что неопределенность в торговой политике ослабляет традиционную роль краткосрочных государственных облигаций как безопасной гавани во время рыночных потрясений.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал

Изменение в политике торговли оказывает влияние на корреляцию между фондовым рынком и казначейскими обязательствами, демонстрируя импульсную реакцию, сопоставимую с динамикой индекса волатильности VIX, что выражается в процентных пунктах и отражает чувствительность финансовых рынков к неопределенности.

В статье анализируется влияние неопределенности торговой политики на динамику корреляции между доходностью акций и краткосрочных казначейских облигаций с использованием модели GJR-GARCH и выявлением структурных изменений.

Традиционно считалось, что краткосрочные государственные облигации служат надежным убежищем во времена рыночной турбулентности. В данной работе, ‘Shifting Correlations: How Trade Policy Uncertainty Alters stock-T bill Relationships’, исследуется, как неопределенность в торговой политике изменяет взаимосвязь между американскими фондовыми индексами и краткосрочными государственными облигациями. Полученные результаты показывают, что усиление неопределенности в торговой политике значительно повышает корреляцию между доходностью акций и государственных облигаций, ослабляя роль последних как безопасного актива. Может ли учет политических факторов и неопределенности в торговой политике стать ключевым элементом в построении более устойчивых инвестиционных стратегий и моделей управления рисками?

Корреляции на Финансовых Рынках: Между Гармонией и Хаосом

Финансовые рынки представляют собой сложную сеть взаимосвязей, где изменения в стоимости одного актива неизбежно оказывают влияние на другие. Точное моделирование этих корреляций является критически важным для эффективного управления рисками, оптимизации инвестиционных портфелей и проведения точных прогнозов. Взаимозависимость активов обусловлена множеством факторов, включая макроэкономические тенденции, отраслевые изменения, действия инвесторов и даже психологические аспекты рыночного поведения. Недооценка или неверная интерпретация этих связей может привести к значительным финансовым потерям, поэтому разработка и применение адекватных моделей корреляции является приоритетной задачей для финансовых аналитиков и управляющих активами. Игнорирование взаимосвязей между активами равносильно рассмотрению каждого инструмента изолированно, что существенно снижает точность анализа и приводит к неоптимальным решениям.

Традиционные методы анализа корреляции, широко применяемые в финансовом моделировании, зачастую испытывают трудности при работе с динамично меняющимися взаимосвязями между активами. Проблема усугубляется при увеличении числа анализируемых активов — возникает так называемое “проклятие размерности”, когда количество необходимых параметров для точной оценки корреляций экспоненциально растет. Это приводит к тому, что модели становятся перегруженными, теряют способность к обобщению и дают неточные прогнозы, особенно в периоды высокой волатильности или структурных изменений на рынке. В результате, стандартные методы могут недооценивать или переоценивать риски, связанные с диверсификацией портфеля и управлением активами, что требует разработки более совершенных подходов, способных адаптироваться к изменяющимся рыночным условиям и эффективно обрабатывать большие объемы данных.

Статические корреляции, широко используемые в финансовых моделях, зачастую не отражают реальную динамику рынков, особенно в периоды структурных изменений. Резкие события, такие как финансовые кризисы, изменения в регулировании или технологические прорывы, приводят к перестройке взаимосвязей между активами. Использование устаревших корреляций в таких ситуациях приводит к существенным ошибкам в оценке рисков, поскольку не учитывает повышенную волатильность и изменившиеся паттерны поведения активов. Например, корреляция между акциями технологических компаний и облигациями, рассчитанная в период стабильного экономического роста, может оказаться совершенно нерелевантной во время рецессии, когда оба актива демонстрируют тенденцию к снижению. Таким образом, для адекватной оценки рисков необходимы модели, способные учитывать изменяющуюся во времени структуру корреляций и адаптироваться к новым рыночным условиям.

Для адекватного моделирования взаимосвязей на финансовых рынках необходимы инструменты, способные адаптироваться к постоянно меняющимся условиям и эффективно обрабатывать большие объемы данных. Традиционные статистические методы часто оказываются неспособны уловить эти динамические корреляции, поскольку они предполагают стационарность связей между активами. Современные модели, такие как динамические ковариационные модели и модели с переменной структурой, стремятся решить эту проблему, используя методы, позволяющие оценивать корреляции во времени и учитывать влияние различных факторов на изменение рыночной динамики. Особенно важным является учет так называемого “проклятия размерности”, возникающего при работе с большим количеством активов, когда число параметров модели растет экспоненциально. Эффективные модели должны не только адаптироваться к изменениям, но и обеспечивать вычислительную эффективность, чтобы оставаться применимыми в реальных условиях торговли и управления рисками.

Модель DCC показывает, что условные корреляции между финансовыми активами меняются в периоды усиления неопределенности торговой политики (красная линия), особенно заметно в моменты ключевых торговых событий (синие вертикальные линии).

GARCH-Модели: Основа для Динамической Корреляции

Процесс GARCH (Generalized Autoregressive Conditional Heteroskedasticity) представляет собой надежный инструмент для моделирования условной дисперсии, критически важного компонента при анализе колебаний цен активов. В отличие от моделей, предполагающих постоянную дисперсию, GARCH учитывает, что волатильность финансовых временных рядов меняется во времени и зависит от прошлых значений. Модель GARCH описывается уравнениями, включающими текущую дисперсию как функцию прошлых дисперсий и прошлых остатков модели. $\sigma_t^2 = \alpha_0 + \alpha_1 \epsilon_{t-1}^2 + \beta_1 \sigma_{t-1}^2$ , где $\sigma_t^2$ — условная дисперсия в момент времени t, $\epsilon_{t-1}$ — остаток модели в момент времени t-1, а $\alpha_0, \alpha_1, \beta_1$ — параметры модели. При этом, для обеспечения стационарности процесса, сумма $\alpha_1 + \beta_1$ должна быть меньше единицы. Использование GARCH позволяет более точно оценивать риски и строить более реалистичные прогнозы в финансовом моделировании.

Многомерные GARCH-модели, такие как DCC (Dynamic Conditional Correlation), расширяют стандартный GARCH-подход для анализа взаимосвязей между несколькими активами. В отличие от моделей, предполагающих постоянную корреляцию, DCC позволяет корреляциям между активами изменяться во времени, отражая изменяющуюся волатильность и рыночные условия. Это достигается путем моделирования условной матрицы корреляции, которая вычисляется на основе условных дисперсий каждого актива. Процесс обычно включает в себя этапы оценки индивидуальных дисперсий, а затем моделирование корреляций между остатками, что обеспечивает более точное представление динамики мультиактивных портфелей и рисков.

Модель DCC (Dynamic Conditional Correlation) использует двухэтапную процедуру для оценки динамических корреляций между активами. На первом этапе оцениваются дисперсии каждого актива индивидуально, используя, как правило, модель GARCH. На втором этапе, используя остатки, полученные после моделирования дисперсий, строится модель для корреляций. Ключевым аспектом данной процедуры является обеспечение положительной определенности матрицы условных корреляций, что необходимо для корректного моделирования и исключения математических ошибок при последующих расчетах, например, при построении портфелей и оценке рисков. Такой подход гарантирует, что полученные оценки корреляций соответствуют требованиям математической статистики и могут быть использованы в финансовых моделях.

В отличие от традиционных статических методов управления рисками, которые предполагают постоянную корреляцию между активами, модель DCC (Dynamic Conditional Correlation) явно моделирует изменяющуюся во времени корреляцию. Это позволяет более реалистично оценивать риски, поскольку учитывает, что корреляции между активами не являются фиксированными, а динамически меняются в зависимости от рыночных условий. Такой подход повышает гибкость управления рисками, позволяя адаптировать стратегии к текущей рыночной ситуации и учитывать изменения в структуре взаимосвязей между активами, что особенно важно в периоды высокой волатильности или финансовых кризисов.

Тепловая карта демонстрирует корреляции между де-GARCH-преобразованными доходностями, где более темные оттенки указывают на сильную положительную корреляцию, а более светлые - на слабую или отрицательную [latex] (Eq.3) [/latex]. — Тепловая карта демонстрирует корреляции между де-GARCH-преобразованными доходностями, где более темные оттенки указывают на сильную положительную корреляцию, а более светлые — на слабую или отрицательную $(Eq.3)$ .

DCC-X: Учет Реальных Драйверов Корреляции

Модель DCC-X является расширением стандартной DCC-структуры за счет включения экзогенных переменных. Это позволяет моделировать динамику корреляции, обусловленную внешними факторами, не учитываемыми в базовой модели. В отличие от DCC, где корреляции определяются только прошлыми значениями доходностей активов, DCC-X позволяет явно учитывать влияние внешних факторов на взаимосвязи между активами, что повышает точность и информативность модели в условиях меняющейся экономической среды. Включение экзогенных переменных предполагает добавление дополнительных регрессоров в уравнение для матрицы ковариаций, что позволяет уловить зависимость между корреляциями и внешними факторами.

Модель DCC-X включает в себя показатель неопределенности торговой политики (Trade Policy Uncertainty, TPU) в качестве экзогенной переменной, что позволяет учесть его существенное влияние на финансовые рынки. Коэффициент при TPU в модели DCC-X составляет приблизительно 0.025, что указывает на увеличение корреляции между доходностью акций и краткосрочных казначейских обязательств (T-bills) на 0.025 для каждого единичного изменения показателя TPU. Это означает, что повышение неопределенности в торговой политике статистически значимо усиливает взаимосвязь между этими двумя классами активов.

Статистически значимый коэффициент взаимодействия (Неопределенность торговой политики (НТП) x Демографическая переменная для президента) подтверждает, что влияние НТП на корреляцию между акциями и казначейскими векселями усиливается во время республиканских администраций. Анализ показывает, что эффект НТП на условную корреляцию более выражен при правлении республиканцев, что указывает на усиление чувствительности финансовых рынков к политической неопределенности в этот период. Данный результат позволяет предположить, что торговая политика и ее неопределенность оказывают дифференцированное воздействие на корреляции в зависимости от политического цикла и партийной принадлежности действующего президента.

Модель DCC-X обеспечивает более детализированное и точное представление условных корреляций за счет явного учета внешних факторов, влияющих на динамику взаимосвязей между активами. В отличие от стандартной модели DCC, которая предполагает, что корреляции определяются только прошлыми значениями волатильности, DCC-X позволяет моделировать влияние конкретных экономических и политических событий. Это достигается путем включения экзогенных переменных, таких как неопределенность торговой политики (TPU), в уравнение модели. Учет этих драйверов позволяет получить более реалистичную оценку условных корреляций и, следовательно, улучшить точность прогнозирования рисков и оптимизации портфелей.

Оценка коэффициента [latex]\hat{\theta}_{3}[/latex] скользящим окном [latex]\theta^3[/latex] для модели DCC-X[latex]_{TPU}[/latex] позволяет выявлять даты разрывов (пунктирной синей линией), как описано в тексте. — Оценка коэффициента $\hat{\theta}_{3}$ скользящим окном $\theta^3$ для модели DCC-X $_{TPU}$ позволяет выявлять даты разрывов (пунктирной синей линией), как описано в тексте.

Проверка Прогнозной Силы: Вневыборочные Прогнозы и Отбор Модели

Для оценки прогностической способности модели DCC-X проводилось вневыборочное прогнозирование, направленное на проверку её способности предсказывать будущие корреляции между активами. Этот подход позволяет оценить, насколько адекватно модель экстраполирует взаимосвязи, выявленные на исторических данных, на будущий период, не использовавшийся при её калибровке. Оценивая точность прогнозов корреляций вне выборки, исследователи стремились подтвердить, что модель способна надежно предсказывать изменения в структуре взаимосвязей между финансовыми инструментами, что критически важно для управления рисками и оптимизации инвестиционных портфелей. Такой подход гарантирует, что наблюдаемые улучшения в производительности модели не являются результатом переобучения на исторических данных, а отражают её истинную способность к прогнозированию.

Для подтверждения надежности полученных результатов и оценки превосходства модели DCC-X над альтернативными подходами, применялась процедура построения “множества доверия моделей”. Данный метод позволяет сравнить прогностическую способность DCC-X с другими спецификациями, учитывая статистическую неопределенность оценок. В рамках этой процедуры, альтернативные модели тестируются на одном и том же наборе данных, и формируется множество моделей, которые не могут быть статистически отвергнуты как значительно хуже DCC-X. Использование “множества доверия моделей” обеспечивает более строгий и объективный критерий оценки, чем простое сравнение оценок параметров, и позволяет с большей уверенностью утверждать о превосходстве DCC-X в прогнозировании динамики корреляций между активами.

Тщательный процесс оценки, включающий сравнение различных моделей, направлен на выявление наиболее эффективного инструмента прогнозирования для конкретного набора данных и заданного временного горизонта. Этот подход позволяет не просто определить модель с наилучшими показателями в текущий момент, но и оценить её устойчивость и способность к адаптации к меняющимся условиям рынка. Выбор оптимальной модели имеет решающее значение для точного прогнозирования корреляций между активами, что, в свою очередь, позволяет более эффективно управлять рисками и принимать обоснованные инвестиционные решения. В результате, данный процесс обеспечивает надежную основу для анализа финансовых данных и прогнозирования будущих тенденций, повышая качество финансового планирования и стратегий.

Исследование выявило значительное влияние неопределенности на финансовых рынках, измеряемой индексом VIX, на взаимосвязь между доходностью акций и краткосрочных государственных облигаций. Коэффициент при VIX, равный 0.338, свидетельствует о существенном воздействии рыночных колебаний на корреляцию между этими активами. При этом, модель DCC-X продемонстрировала превосходство в оценке вневыборочных прогнозов, подтверждая улучшенную предсказательную способность, несмотря на отсутствие прямой количественной оценки в виде коэффициента детерминации R-squared. Данный результат указывает на эффективность модели в улавливании динамики взаимосвязей и повышении точности прогнозирования в условиях изменчивости рынков.

Исследование взаимосвязи между неопределённостью торговой политики и корреляцией между акциями и казначейскими облигациями демонстрирует, как хрупки кажущиеся закономерности. Становится очевидно, что в периоды политической нестабильности, когда горизонт событий словно сгущается, привычные «тихие гавани» перестают выполнять свою функцию. Как метко заметил Джон Стюарт Милль: «Недостаточно иметь право, но необходимо также уметь им пользоваться». В данном контексте, понимание динамики корреляций, особенно в условиях неопределенности, позволяет более осознанно подходить к управлению рисками и признавать, что любое правило может раствориться в горизонте событий, а кажущаяся стабильность — иллюзия.

Что Дальше?

Представленные результаты демонстрируют, что неопределённость торговой политики оказывает существенное влияние на взаимосвязь между доходностью акций и краткосрочных государственных облигаций. Однако, данное исследование лишь касается поверхности сложной динамики. Мультиспектральные наблюдения, в данном случае, позволяют калибровать модели, описывающие зависимость между активами, но истинная природа этой зависимости, вероятно, гораздо глубже. Следующие шаги должны быть направлены на исследование нелинейных взаимодействий между различными источниками неопределённости — не только торговой, но и политической, геополитической и макроэкономической.

Сравнение теоретических предсказаний с эмпирическими данными демонстрирует ограничения и достижения текущих симуляций. Необходимо углубить понимание механизмов, лежащих в основе изменения корреляций, и разработать более совершенные модели, способные предсказывать поведение рынков в условиях повышенной неопределённости. Чёрная дыра неопределённости поглощает любые упрощения, напоминая о хрупкости наших представлений о стабильности.

В конечном счете, задача состоит не в том, чтобы предсказать будущее, а в том, чтобы понять пределы нашего понимания. Исследование динамической взаимосвязи между активами — это не просто академическая задача, а способ осознать, насколько иллюзорны наши представления о безопасных гаванях и стабильности в мире, где любое изменение торговой политики может породить цепную реакцию.

Оригинал статьи: https://arxiv.org/pdf/2603.25285.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-03-28 14:37