Выявление уникального источника риска в эмпирических моделях ценообразования на развивающихся рынках тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Томтосов Александр Федорович

• Томтосов Александр Федорович
• кандидат наук
• 2025

Оглавление диссертации кандидат наук Томтосов Александр Федорович

Введение

Глава 1. Обзор исследований по эмпирическому ценообразованию активов

1.1 Развитие моделей эмпирического ценообразование активов

1.2 Модели на основе поведенческих факторов

1.3 Проблема сонаправленности поведения факторных портфелей и необходимость декомпозиции уникального риска

Глава 2. Методология построения факторных портфелей и работа с данными

2.1 Данные для построения факторных портфелей

2.2 Методика построения факторных портфелей и метрики оценки портфелей

2.3 Методика выделения уникального источника риска из факторных портфелей

2.4 Данные и методика для построения портфелей на основе фактора сентимента

Глава 3. Тестирование эмпирических моделей ценообразования на развивающихся рынках капитала

3.1 Сравнение точности фильтров отбора ликвидных акций и уровня диверсификации способов построения факторных портфелей на развивающихся рынках

3.2 Результаты тестирования моделей для набора фильтров, способов построения портфелей и задания весов

3.3 Тестирование моделей ценообразования на развивающихся рынках с учетом ограничений ликвидности и соблюдения минимальной диверсификации

3.4 Модели ценообразования на основе сентимента розничных инвесторов на российском фондовом рынке

Глава 4. Определение уникального источника риска в наборе факторных портфелей

4.1 Проблема растущей корреляции между факторами

4.2 Риск и доходность уникальной части факторных портфелей

4.3 Проверка устойчивости основных результатов исследования

Заключение

Список литературы

Приложения

Введение диссертации (часть автореферата) на тему «Выявление уникального источника риска в эмпирических моделях ценообразования на развивающихся рынках»

Введение

Диссертация развивает направление факторного инвестирования. На текущий момент в академической литературе предложено большое количество факторов, самыми популярными из которых являются моментум, фактор размера, стоимости, низкой волатильности (Harvey & Liu, 2020), которые на исторических данных способны объяснить различия в наблюдаемой доходности обыкновенных акций на разных рынках капитала (с той или иной успешностью). Многообразие предложенных факторов даже породило термин «зоопарк факторов» (Cochrane, 2011). Проблема построения инвестиционных стратегий на этих факторах (далее - факторных стратегий) заключается в том, что результаты инвестирования оказываются чувствительны к деловому циклу (Asness et al., 2013) и волатильности рынка акций. Актуальным направлением в последние годы стало формирование факторов на базе сентимента частных инвесторов по причине притока розничных инвесторов (особенно после пандемии), развития платформ для общения частных инвесторов (Reddit, Telegram) и развития технологий для машинного чтения текста.

Слабо раскрытыми в литературе вопросами в рамках факторного инвестирования, по мнению автора, являются вопросы раскрытия природы сохранения этих аномалий в ценообразовании финансовых активов на разных рынках капитала, особенно на развивающихся, а также разработки алгоритмов и приемов переключения между факторными портфелями при смене делового цикла в экономике или при наступлении внешних шоков на рынке (Asness et al., 2013 и Teplova & Tomtosov, 2021). Так как в последние годы на развитых и развивающихся рынках капитала растет роль частных (розничных) инвесторов, то открытым остается вопрос построения адекватных моделей с включением фактора сентимента инвесторов (Teplova et al., 2022 и Münster et al., 2024). Первая проблема отражена в работах Asness et al. (2013) и Gupta & Kelly (2019), где подчеркивается ограниченная работоспособность (возможность генерировать альфу Дженсена) на разных временных отрезках и отсутствие обоснованных сигналов для переключения с одной факторной стратегии на другую. Если для рынка США подобные исследования представлены, по рынку РФ также имеются (Teplova et al., 2022), то сопоставления по развивающимся рынкам капитала сделано в данной работе впервые. Если по протестированным в академической литературе факторам (моментум, размера и др.) есть относительный консенсус по формированию факторных портфелей (предложены ETF, индексы, ведется публичный расчет на сайте Кеннета Френча),

то по фактору сентимента единой методики нет. Например, в базе данных1 Кеннета Френча раскрыта методика и результаты расчета портфелей традиционных факторных портфелей для развитых и развивающихся рынков капитала. Способы обработки данных по фактору сентимента частных инвесторов значительно отличаются в опубликованных исследованиях.

Под факторными портфелями в работе понимаются «арбитражные портфели», одновременно содержащие длинные позиции из 30% акций с наибольшим значением фактора (например, топ-30 процентов по изменению цены за последние двенадцать месяцев) и короткие из 30% с наименьшим. Под фактором подразумевается количественная переменная, например, размер как рыночная капитализация, которую можно измерить для каждой публичной компании в каждый период наблюдения (месяц). Схожая методика используется в базовой работе Fama & French (1993) и в современных работах (Arnott et al., 2019 и Hou et al., 2020) по построению факторных портфелей.

В диссертации развивается концепция уникального риска в эмпирических моделях ценообразования на развивающихся рынках капитала. Вместо классической трактовки риска системного и несистемного (диверсифицируемого) риска к рыночному портфелю (на базе концепции САРМ), в работе вводится понятие уникального факторного риска, который представляет собой риск, не связанный с риском портфелей из набора двух или более факторов, определяющих факторные стратегии. Авторский подход к построению инвестиционных стратегий заключается в разделении риска факторных портфелей на систематический и уникальный на основе данных о составах факторных портфелей (удерживаемых акций) в каждом периоде. Акции, которые присутствуют только в одном факторном портфеле (из набора тестируемых), отражают уникальный риск портфеля. На основе этих акций формируются факторные портфели, инвестиции в которые позволяют инвестору избежать просадок во время кризисных периодов для факторных портфелей. Такими периодами являются моменты разворота рыночного тренда (Daniel & Moskowitz, 2016) и повышенной волатильности (Barroso & Santa-Clara, 2015). Открытым остается вопрос о соотношении риск-доходности авторских уникальных факторных портфелей.

В академической литературе основной метрикой эффективности факторных портфелей является альфа коэффициент Дженсена (Jensen, 1968), который представляет собой доходность с поправкой на рыночный риск (доходностью рыночного портфеля выступает взвешенная по капитализации доходность всех акций). Эта же метрика (альфа) сопоставления портфелей по

1 База данных Кеннета Френча

https://mba.tuck.dartmouth.edu/pages/facultv/ken.french/data library.html

инвестиционной привлекательности применена в работе и для уникальных факторных портфелей.

Работа относится к направлению факторного инвестирования и дополняет ранние работы авторской метрикой уникального риска, а также сопоставлением факторных стратегий по широкой выборке развивающихся рынков капитала. Факторное инвестирование зародилось в 1970-х годах, когда по рынку США стали публиковаться первые наблюдения о ценовых аномалиях и новых факторах, которые могут объяснять различия в доходности портфелей и отдельных акций с контролем на рыночную бету. Одной из первых работ является исследование Basu (1977), где представлен фактор стоимости («value»). Его преимущество отражено через избыточную доходность портфеля американских акций с высоким коэффициентом E/P была над портфелем с низким E/P (с учетом рыночной беты и транзакционных издержек). Banz (1981) представил схожее исследование с акцентом на фактор размера, где доказывалось преимущество акций малой капитализации к наиболее дорогим компаниям в США. Два перечисленных фактора в совокупности с рыночным портфелем (с учетом рыночного риска) легли в основу трехфакторной модели Fama & French (1993), которая объясняла большую часть изменения доходности портфелей в момент публикации. Включения эффекта тренда или «моментум» эффект (Jegadeesh & Titman, 1993), выражаемого через преимущество акций с наибольшей прошлой доходностью, продемонстрировано в четырехфакторной модели Carhart (1997) для оценки паевых фондов в США.

Публикация работ, содержащих факторы, на основе которых можно составить портфели с положительной и статистически значимой альфой к рыночному портфелю, усилилась в 1990-е и 2000-е. На 2024 г. число таких факторов превышает пятьсот, опубликованных только в высокорейтинговых академических журналах2. Как показано в работе Hou et al. (2020), большинство из 452 опубликованных факторов не прошли тестирования вне выборки. Только 35% и 18% объясняющих переменных сохранили статистическую значимость с пороговыми значениями t-статистики на уровне 1.96 и 2.78. Современной проблемой в ценообразования активов, вызванной перепроизводством факторов, является выявление ложных факторов, объясняющих ценообразование акций (Harvey, 2017). Проблема усложняется тем, что предлагаемые методы повышения барьера статистической значимости (Harvey et al., 2016), для отсеивания ложных факторов, уязвимы к копированию протестированных в академической

2Таблица с перечислением факторов, опубликованных в top-field и general interest журналах по финансам, экономике и бухгалтерскому учету. Составлена профессором Кэмпбеллом Харви и Яном Лю. Является приложением к статье (Harvey & Liu, 2020)

https://docs.google.com/spreadsheets/d/1mws1bU56ZAc8aK7Dvz696LknM0Vp4Rojc3n61q2-keY/edit#gid=0

литературе факторов (например, факторов «momentum» и «value»). Мотивация данного исследования порождена проблемой сонаправленности поведения доходности многих факторных стратегий при изменении делового цикла, макрофакторов и внешних шоков на рынке и необходимостью перехода от одних факторных портфелей к другим для снижения риска потери капитала. Решение проблемы видится в введении концепции уникального факторного риска и разработке метода его количественной оценки для построения сигналов для коррекции инвестиционной стратегии, построенной на комбинации факторных портфелей. Авторский метод ориентирован для развивающихся рынков капитала со сравнительно небольшим количеством обращающихся акций и короткой историей торгов.

Актуальность исследования подтверждается растущим количеством исследований по теме факторного инвестирования за последние годы и публикацией работ на тему выявления эффектов несостоятельности факторных стратегий по отдельным рынкам и в отдельные временные периоды. В поисковой системе Science Direct количество опубликованных исследований с ключевым словом «factor investing» за 2021 год составило 28311, за 2022 год -30196, за 2023 год - 32582 и за одиннадцать месяцев 2024 года - 41615. В тройке лучших финансовых журналов за 2022-2024 год было опубликовано 354 работы по эмпирическому ценообразованию активов и предложению новых факторов, которые объясняют различия в доходности портфелей (в Journal of Finance - 13, Journal of Financial Economics - 318, Review of Financial Studies - 23). Отдельно стоит выделить современные исследования, где отражается проблема перепроизводства факторов ценообразования (Hou et al., 2020 и Harvey & Liu, 2020).

В работах Daniel et al. (2020) и He et al. (2023) выявляется уникальный риск по отношению к рыночному портфелю или используются методы, которые неприменимы на развивающихся рынках капитала из-за требований к количеству инструментов и периоду тестирования. Новизна данного исследования заключается в том, что предлагаемый авторский метод вычленения уникального факторного риска развивает новое направление определения риска по отношению к набору факторов с применением авторской методики, адаптированной для развивающихся рынков капитала. Дополнительным обоснованием академической актуальности является постановка значимости проблемы уникального риска президентом американской финансовой ассоциации (Cochrane, 2011) и главным редактором Journal of Finance (Harvey, 2017).

Количество исследований, где используется данные о сентименте розничных инвесторов (Renault, 2017, Oliveira et al., 2017 и Al-Nasseri & Ali, 2018) значительно выросло с появлением доступных технологий машинного чтения текста. Сентимент используется для

прогнозирования динамики или волатильности индексов акций, но ни одна из этих работ не использует сентимент для построения факторных портфелей. Другим пробелом является то, что большая часть исследований посвящена американскому рынку акций и преимущественно англоязычным социальным сетям, и биржевым сообществам (например, Wall street bets на форуме Reddit). Новизной данного исследования является введение авторского HYPE-индикатора на основе тональности и интенсивности сообщений частных инвесторов в биржевых группах и чатах в мессенджере Telegram для построения факторных портфелей. Данные исследования охватывают большую часть активных брокерских счетов частных инвесторов на российском рынке акций.

В последние годы количество статей (Gupta & Kelly, 2019, Teplova & Tomtosov, 2021 и Ehsani & Linnainmaa, 2022) про методику переключения между факторными стратегиями растет одновременно в академических и практических журналах (Journal of Portfolio Management). В таких работах используются значения доходности или альфа коэффициента факторных портфелей за последние двенадцать месяцев для отбора факторов с наилучшими прошлыми результатами. Применение техники позволяет отбирать факторы с большей будущей доходностью (в сравнении с пассивным инвестированием во все факторы в равных весах), но не устраняет риск сонаправленности в кризисные периоды (Arnott et al., 2019). Автором вводится понятие уровня уникального риска, которое выражается в средней доле уникальных позиций в исследуемом наборе факторных портфелей. Предложенный показатель полезен инвесторам при принятии решения об инвестиции в исходный или уникальный факторный портфель. При низком уровне уникального риска инвестору выгоднее размещать капитал в уникальном факторном портфеле, а при среднем и высоком - в исходном факторном портфеле. Данный вывод вносит вклад в направление исследований о методах переключения между факторными стратегиями.

Практическая актуальность работы связана с запросом управляющих активами по построению факторных стратегий и активном управлении такими стратегиями. Основатель хедж-фонда AQR Клиффорд Аснесс во время семинара AFA3 по обсуждению актуальных вопросов ценообразования активов отмечал, что треть из текущего набора факторов является прокси-переменными на эффект недооценки и еще одна треть - на эффект рыночного тренда. Поэтому важно разработать методы для отражения вклада в объясняющую силу новых факторов по отношению к уже изученному набору.

3Session: AFA Panel: Research Challenges in Asset Management. January 5, 2021 https://www.youtube.com/watch?v=8r39Q-VgXeA

На данный момент в мире существует минимум 53 ETF на фактор моментум4. Большинство этих фондов сформированы по американским акциям и малая часть по другим развивающимся рынкам капитала. При этом не наблюдается факторных ETF на развивающиеся рынки капитала. По российскому рынку представлены БПИФ на дивидендные акции, но открытым остается вопрос формирования фондов стратегий моментум или низкой волатильности. Практическая актуальность работы усиливается на развивающихся рынках капитала с меньшим количеством биржевых инструментов, где проблема неуникального риска в наборе факторов является более распространенной. В связи с сегментированностью отдельных развивающихся рынках капитала актуальным становится формирование факторных стратегий из локальных акций и поиску сигналов переключения между стратегиями.

Цель исследования заключается в обосновании целесообразности построения уникальных факторных портфелей и раскрытии особенностей их характеристик (прежде всего риск-доходность, динамики альфа коэффициента) на развивающихся рынках капитала. В работе предложена авторская методика построения уникальных факторных портфелей, позволяющих снизить сонаправленность доходности факторных портфелей. Это позволяет снизить риск инвестирования для фондов активного управления и квалифицированных розничных инвесторов.

Далее сформулирован список задач, которые решаются для достижения цели:

1. Обзор и систематизация литературы по эмпирическим моделям ценообразования, способам их тестирования на развивающихся рынках.

2. Целью тестирования факторных портфелей является ранжирование их по альфа коэффициенту для одиннадцати развивающихся рынков капитала. Тестирование факторных портфелей «моментум» (momentum), низкая капитализация (size), фундаментальная недооценка (value), низкая волатильность (low volatility), низкая рыночная бета и повышенный объем торгов (high trading volume) производится методами построения факторных портфелей и кросс-секционных регрессий Фамы-Макбета. Набор исходных факторов определен на основе работы Hanauer & Lauterbach

4 Пятьдесят три ETF на фактор моментум по данным etfdb.com на 3 декабря 2024. ETF относится к фактору моментум, если отразил это слово в названии фонда или отразил в инвестиционной декларации. https://etfdb.com/etfs/investment-style/high-

momentum/#etfs&sort name=assets under management&sort order=desc&page=1

(2019), где приведенные факторы обозначены как обладающие наибольшей объясняющей силой для биржевых цен на развивающихся рынках.

3. Построение факторного портфеля на основе авторского HYPE-индикатора. Индикатор рассчитывается исходя из тональности и количества сообщений частных инвесторов в мессенджере Telegram и на форуме mfd.ru. Каждое сообщение размечается по тональности (негативная, нейтральная и позитивная) текста с помощью нейросетевой модели, обученной по сообщениям на биржевую тематику. Сентимент имеют высокую объясняющую силу на развитых рынках капитала (Renault, 2017), но по указанным источникам для российского рынка ранее не тестировался.

4. Количественное определение уровня уникального факторного риска в наборе из трех лучших факторных стратегий из второй задачи. Построение месячных рядов оценок уровня уникального риска по трем лучшим стратегиям, который будет использоваться далее для эмпирической проверки взаимосвязи между уровнем уникального риска, сонаправленностью доходности и доходностью факторных портфелей. Практическим применением является проверка эффективности сигналов для переключения между инвестициями в исходных или уникальных факторный портфель исходя из уровня уникального риска.

5. Тестирование характеристик снижения сонаправленности доходности в наборе уникальных факторных портфелей в периоды финансовых кризисов, в периоды с высокой и низкой рыночной доходностью, волатильностью и для периодов с высокой волатильностью валютного курса локальной валюты к доллару США.

6. Тестирование авторской методики ранжирования управляющих паевыми фондами акций по альфа-коэффициенту относительно набора уникальных факторных портфелей в сравнении с исходным набором факторов на российском рынке. Тестируется гипотеза, что отбор 30% фондов с наибольшей альфой к уникальным факторам позволяет инвестору выявить фонды с большей будущей доходностью по сравнению с отбором фондов на основе наибольшей альфы к исходному набору факторов.

Объектом диссертационного исследования являются акции публичных компаний по одиннадцати развивающимся рынкам капитала: Россия, Бразилия, Индия, Китай, Гонконг, Индонезия, Малайзия, Тайвань, Таиланд, Южная Корея и Вьетнам. Сейчас рынки Тайваня, Гонконга и Южной Кореи классифицируются MSCI как развитые, но для большей части исследуемого периода они являлись развивающимися. Эти три рынка можно сгруппировать как страны переходной группы. Рынки стран БРИК являются примером развивающихся

рынков капитала: большое количество инструментов и крайне неравномерное распределение ликвидности. Фондовые рынки Индонезии, Малайзии, Таиланда и Вьетнама также характеризуется как развивающиеся, но отличаются от группы БРИК отсутствием очень крупных компаний и низкой средней капитализацией рынка в целом. Таким образом, исходная выборка рынков включает в себя рынки капитала с разным уровнем ликвидности, количества инструментов и периодом наблюдения. Предметом исследования является наличие факторных эффектов в ценообразовании на развивающихся рынках капитала и роль уникального факторного портфеля для построения инвестиционной стратегии в ситуации высокой внешней неопределенности.

Исследование проведено на данных 13836 обыкновенных акций одиннадцати развивающихся рынков капитала, включая страны БРИК. Данные включают в себя цены закрытия месяца, объем торгов в локальной валюте и рыночную капитализацию по каждому из инструментов. Для каждого рынка используются данные по валютному курсу к доллару США, значения инфляции и доходность рыночного портфеля. Дополнительно для проверки поведенческих факторов на основе сентимента частных инвесторов используются вручную собранные текстовые сообщения из мессенджера Telegram. В качестве методов в исследовании используются: метод построения факторных портфелей для шести моделей ценообразования, эконометрический анализ, агрегирование факторов для нескольких рынков с масштабированием по волатильности по методике Asness et al. (2013) и построение сентимент фактора через определение тональности текста методами машинного обучения. Для тестирования эмпирических моделей производится моделирование 4224 инвестиционных портфелей. Из-за малого количества инструментов на развивающихся рынках капитала вводятся и сравниваются три способа определения ликвидных акций и формирования портфелей. Параграф с основными результатами по выделению уникального риска включает в себя тридцать шесть портфелей.

Степень научной разработанности исследовательской проблемы:

1. В работах по вычленению уникального риска. Методы определения уникального риска в наборе факторов на основе исторических данных доходности портфелей разработаны в исследованиях Feng et al. (2020), He et al. (2023) и Daniel et al. (2020). Тестирование большого набора факторов вне исходной выборки с исключением акций с низкой капитализацией для определения набора факторов с устойчивой объясняющей силой проводится в работе Hou et al. (2020). Harvey & Liu (2020) с той же целью проводят множественное тестирование гипотез путем повышения порога значимости для новых

факторов с учетом количества ранее опубликованных работ. Отдельное направление эмпирических работ включает в себя выявление уникального риска в небольшом наборе связанных факторов. Например, в работе Asness et al. (2018) отражается доходность портфеля из акций с низкой капитализацией с исключением позиций, которые входят в портфель с высоким уровнем долга и низкой рентабельностью. Guo et al. (2022) декомпозируют доходность моментума, которая может быть объяснена другими факторами. Выделение уникального риска в наборе факторов остается относительно новым направлением, появившимся после признания проблемы перепроизводства факторов (Cochrane, 2011). Представленные методы не адаптированы для развивающихся рынков капитала с небольшим количеством ликвидных инструментов и с короткой историей торгов.

2. В работах по переключению между факторными стратегиями. Перспективность использования стратегий с переключением от одного факторного портфеля к другому обсуждается в работе Dimson et al. (2017), где отражается цикличная структура доходности факторов по четырехфакторной модели ценообразования (Carhart, 1997). Daniel & Moskowitz (2016) проводят подробное исследование кризисных периодов фактора моментум (и соответственно, моментум стратегии) и приходят к выводу, что имеет смысл не размещать средства в факторном портфеле в периоды смены рыночного тренда. Работы, развивающие направление переключения факторных стратегий на развивающихся рынках капитала, включают в себе исследования Gupta & Kelly (2019) и Ehsani & Linnainmaa (2022). Teplova & Tomtosov (2021) используют адаптированную методику для развивающихся рынков капитала. Открытым вопросом остается стратегия инвестирования в периоды просадок для всех факторов одновременно, что выявлено в работе Arnott et al. (2019).

3. Определения навыков активного управления активами (например, управляющих паевыми фондами акций). Направление изучения результатов активного управления в паевых фондах в сопоставлении с пассивным инвестированием начинается с работы Jensen (1968), где навык управляющих оценивается альфа-коэффициентом к рыночному портфелю. Daniel et al. (1997) оценивают управляющих с помощью индивидуальных бенчмарков на основе факторных портфелей. Carhart (1997) показал, что доходность большинства фондов акций в США можно объяснить трехфакторной моделью (Fama & French, 1993) с включением фактора моментум. Открытым остается вопрос подбора наилучших вариаций факторных портфелей, превосходство над которыми отражало бы устойчивый навык отбора акций в портфель.

Важно уточнить, что результаты большинства указанных работ относятся к рынку США или других развитых рынков капитала. Важным вкладом данного исследования является развитие академических исследований по трем направлениям в разрезе развивающихся рынков капитала.

Теоретической основой данного исследования является арбитражная теория ценообразования (Ross, 1976). Автором теории вводится набор неназванных факторов, которые объясняют различия в доходности портфелей акций. Проблема уникального риска в мультифакторных моделях поднимается в работе Daniel et al. (1997) при оценке управляющих паевыми фондами. Авторы подбирают индивидуальный бенчмарк из набора факторных портфелей для каждого фонда исходя из факторов (капитализация, изменение цен и фундаментальной недооценки), к которым относятся удерживаемые позиции. Исследование Harvey & Liu (2021) отражает три основные проблемы при тестировании моделей ценообразования: состав факторных портфелей оказывается зависим от способа формирования сигналов (cross-section или time-series), параметров ребалансировки портфелей и учета уникального риска в наборах факторов.

Методологическая основа исследования в области определения уникального риска предлагается в работах Feng et al. (2020), He et al. (2023) и Daniel et al. (2020). В отличие от данного диссертационного исследования, способы определения уникального риска в перечисленных исследованиях основываются на использовании эконометрических методов и данных на основе прошлой доходности факторных портфелей. Преимуществом этой группы методов является отражения весов для набора факторов с наибольшей объясняющей силой и наименьшей корреляцией. Недостатком является требование к глубине данных минимум за пять последних лет (что не всегда возможно на развивающихся рынках капитала) и проблема с определением весов для факторов с одновременной высокой объясняющей силой и корреляцией.

Предлагаемый метод выявления уникального риска на основе состава портфелей основывается на работах Daniel et al. (1997) и Cremers & Petajisto (2009). В первой работе авторы используют тройную сортировку портфелей, чтобы выделить портфель акций с наибольшим значением первого фактора в группах из второго и третьего фактора. Недостатками являются требование большого количества ликвидных акций - после тройной сортировки получаются крайне недиверсифицированные портфели, если количество акций меньше тысячи (как на большинстве развивающихся рынков капитала) и значимость порядка сортировки (по первому фактору отбор проводится из всех акций, а из последующих - из

Список литературы диссертационного исследования кандидат наук Томтосов Александр Федорович, 2025 год

Список литературы

1. Теплова Т.В., Соколова Т.В., Томтосов А.Ф., Бучко Д.В., & Никулин Д.Д. (2022) Сентимент частных инвесторов в объяснении различий в биржевых характеристиках акций российского рынка. Журнал Новой Экономической Ассоциации. 1 (53). С. 53-84 http://doi. org/10.31737/2221 -2264-2022-53 -1 -3

2. Aghassi, M., Asness, C., Fattouche, C., & Moskowitz, T. J. (2022). Fact, Fiction, and Factor Investing. The Journal of Portfolio Management, 49(2), 57-94. https://doi.org/10.3905/jpm.2022.1.453

3. Ahmed & Walid, M.A. (2020). Stock market reactions to domestic sentiment: Panel CS-ARDL evidence. Research in International Business and Finance, 54(C).

4. Al-Nasseri, A., & Menla Ali, F. (2018). What does investors' online divergence of opinion tell us about stock returns and trading volume? Journal of Business Research, 86, 166-178. https://doi .org/10.1016/j.jbusres.2018.01.006

5. Arnott, R., Harvey, C. R., Kalesnik, V., & Linnainmaa, J. (2019). Alice's adventures in Factorland: Three blunders that plague factor investing. Journal of Portfolio Management, 45(4), 18-36. https://doi.org/10.3905/ipm.2019.45.4.018

6. Asness, C. S., Moskowitz, T. J., & Pedersen, L. H. (2013). Value and Momentum Everywhere. Journal of Finance, 68(3), 929-985. https://doi.org/10.1111/iofi.12021

7. Asness, C., Frazzini, A., Israel, R., Moskowitz, T. J., & Pedersen, L. H. (2018). Size matters, if you control your junk. Journal of Financial Economics, 129(3), 479-509. https://doi.org/10.1016/i.ifineco.2018.05.006

8. Babu, A., Levine, A., Ooi, Y. H., Pedersen, L. H., & Stamelos, E. (2020). Trends Everywhere. Journal of Investment Management, 18(1), 52-68. https://ioim.com/downloads/trends-everywhere/

9. Baker, M., & Wurgler, J. (2006). Investor sentiment and the cross-section of stock returns. Journal of Finance, 61(4), 1645-1680. https://doi.org/10.1111/i.1540-6261.2006.00885.x

10. Ball, R. (1978) Anomalies in Relationships between Securities' Yields and Yield-Surrogates. Journal of Financial Economics, 6, 103-126. https://doi.org/10.1016/0304-405X(78)90026-0

11. Baltussen, G., Swinkels, L., & Van Vliet, P. (2021). Global Factor Premiums. Journal of Financial Economics, 142(3), 1128-1154. https://doi.org/10.1016/i.ifineco.2021.06.030

12. Banz, R. W. (1981). The Relationship Between Return and Market Value of Common Stocks. The Journal of Finance, 9, 3-18. https://doi.org/10.1016/0304-405X(81)90018-0

13. Barroso, P., & Santa-Clara, P. (2015). Momentum has its moments. Journal of Financial Economics, 116(1), 111-120. https://doi.org/10.1016/j.jfineco.2014.11.010

14. Basu, S. (1977). Investment performance of common stocks in relation to their price-earnings ratios: a test of the efficient market hypothesis in an efficient capital market. Journal of Finance, 32(3), 663-682. https://doi.org/10.2307/2326304

15. Beck, N., Hsu, J., Kalesnik, V., & Kostka, H. (2016). Will Your Factor Deliver? An Examination of Factor Robustness and Implementation Costs. Financial Analysts Journal, 72(5), 58-82. https://doi.org/10.2469/faj.v72.n5.6

16. Benjamini, Y., & Yekutieli, D (2001). The control of the false discovery rate in multiple testing under dependency. The Annals of Statistic, 29(4), 1165-1188 https://doi .org/10.1214/aos/1013699998

17. Black, F., Jensen, M. C., & Scholes, M. (1972). The Capital Asset Pricing Model: Some Empirical Tests Fischer. In Studies in the Theory of Capital Markets, Praeger Publishers Inc. https://doi.org/10.2307/2978577

18. Blitz, D., Pang, J., & van Vliet, P. (2013). The volatility effect in emerging markets. Emerging Markets Review, 16(1), 31-45. https://doi .org/10.1016/j.ememar.2013.02.004

19. Bryzgalova, S. (2015.) Spurious factors in linear asset pricing models. Working Paper. https://belkcollege.charlotte.edu/sites/belkcollege.charlotte.edu/files/media/Spurious%20Fac tors%20in%20Linear%20Asset%20Pricing%20Models.pdf

20. Cakici, N., Fabozzi, F. J., & Tan, S. (2013). Size, value, and momentum in emerging market stock returns. Emerging Markets Review, 16, 46-65. https://doi .org/10.1016/j.ememar.2013.03.001

21. Caporale G.M, Spagnolo F., & Spagnolo N. (2016). Macro news and stock returns in the Euro Area: A VAR-GARCH-in-mean analysis. Journal of Behavioral and Experimental Finance, 45, 180-188.

22. Carhart, M. M. (1997). On persistence in mutual fund performance. Journal of Finance, 52(1), 57-82. https://doi.org/10.1111/j.1540-6261.1997.tb03808.x

23. Christoffersen, P., & Langlois, H. (2013). The Joint Dynamics of Equity Market Factors. The Journal of Financial and Quantitative Analysis, 48 (5), 1371-1404. http://doi.org/10.1017/S0022109013000598

24. Cochrane, J. H. (2011). Presidential Address: Discount Rates. Journal of Finance, 66(4), 1047-1108. https://doi.org/10.1111/j.1540-6261.2011.01671.x

25. Cremers, K. J. M., & Petajisto, A. (2009). How Active Is Your Fund Manager A New Measure That Predicts Performance. Review of Financial Studies, 22(9), 3329-3365. https://doi.org/10.1093/rfs/hhp057

26. Daniel, K., & Moskowitz, T. J. (2016). Momentum crashes. Journal of Financial Economics, 122(2), 221-247. https://doi.org/10.1016/j.jfineco.2015.12.002

27. Daniel, K., Grinblatt, M., Titman, S., & Wermers, R. (1997). Measuring Mutual Fund Performance with Characteristic-Based Benchmarks. The Journal of Finance, 52(3), 10351058. https://doi.org/10.2307/2329515

28. Daniel, K., Mota, L., Rottke, S., & Santos, T. (2020). The Cross-Section of Risk and Returns. Review of Financial Studies, 33(5), 1927-1979. https://doi.org/10.1093/rfs/hhaa021

29. De Groot, W., Pang, J., & Swinkels, L. (2012). The Cross-Section of Stock Returns in Frontier Emerging Markets. Journal of Empirical Finance, 19(5), 796-818. https://doi.org/10.1016/j.jempfin.2012.08.007

30. Dimson, E., Marsh, P., & Staunton, M. (2017). Factor-Based Investing: The Long-Term Evidence. The Journal of Portfolio Management, Special Issue, 15-37. https://doi.org/10.3905/jpm.2017.43.5.015

31. Ehsani, S., & Linnainmaa, J. T. (2022). Factor Momentum and the Momentum Factor. Journal of Finance, 77(3), 1877-1919. https://doi.org/10.1111/jofi.13131

32. Do, H. X., Nguyen, N. H., & Nguyen, Q. M. P. (2022). Financial leverage and stock return comovement. Journal of Financial Markets, 60(August 2021), 100699. https://doi .org/10.1016/j.finmar.2021.100699

33. Duz Tan, S. (2022). Correlated information consumption and comovement in the stock market. Borsa Istanbul Review, 22(4), 812-827. https://doi.org/10.1016/j.bir.2022.05.001

34. Fama, E. (1970) Efficient Capital Market: A Review of Theory and Empirical Work. Journal of Finance, 25, 382-417. https://doi.org/10.2307/2325486

35. Fama, E. (1991) Efficient Capital Markets: II. Journal of Finance, 46, 1575-1617. http://dx.doi.org/10.1111/j.1540-6261.1991.tb04636.x

36. Fama, E. F. (1965). The Behavior of Stock-Market Prices. The Journal of Business, 38(1), 34105.

37. Fama, E. F., & French, K. R. (1992). The Cross-Section of Expected Stock Returns. The Journal of Finance, 47(2), 427-465. https://doi.org/10.1111/j.1540-6261.1992.tb04398.x

38. Fama, E. F., & French, K. R. (1993). Common Risk Factors in the Returns on Stock and Bonds. Journal of Financial Economics, 33, 3-56. https://doi.org/10.1016/0304-405X(93)90023-5

39. Fama, E. F., & French, K. R. (1996). The CAPM is Wanted, Dead or Alive. (1996). Journal of Finance, 51(5), 1947-1958.

40. Fama, E. F., & French, K. R. (2012). Size, value, and momentum in international stock returns. Journal of Financial Economics, 105(3), 457-472. https://doi.org/10.1016/j.jfineco.2012.05.011

41. Fama, E. F., & French, K. R. (2015). A Five-Factor Asset Pricing Model. Journal of Financial Economics, 116(1), 1-22. https://doi.org/10.1016/i.ifineco.2014.10.01Q

42. Fama, E. F., & Litterman, R. (2012) An experienced view on markets and investing. Financial Analysts Journal, 68, 15-19. http s://doi .org/10.2469fai.v68.n6.1

43. Fama, E. F., & Macbeth, J. D. (1973). Risk , Return, and Equilibrium: Empirical Tests. Journal of Political Economy, 81(3), 607-636.

44. Fama, E. F., Fisher, L., Jensen, M. C., & Roll, R. (1969). The Adjustment of Stock Prices to New Information. International Economic Review, 10(1), 1-21. https://doi.org/10.2307/2525569

45. Fama, E.F., & French, K.R. (2010). Luck versus Skill in the Cross-section of Mutual Fund Returns. The Journal of Finance, 65(5), 1915-1947. https://doi.org/10.1111/U540-6261.2010.01598.x

46. Feng, G., Giglio, S., & Xiu, D. (2020). Taming the Factor Zoo: A Test of New Factors. Journal of Finance, 75(3), 1327-1370. https://doi.org/10.1111/iofi.12883

47. Figueiredo, M., Nowak, R. (2016). Ordered weighted L1 regularized regression with strongly correlated covariates: Theoretical aspects. In: Proceedings of the 19th International Conference on Artificial Intelligence and Statistics. pp. 930-938.

48. Fisher, L., & Lorie, J. H. (1964). Rates of Return on Investments in Common Stocks. The Journal of Business, 37(1), 1-21.

49. Frazzini A, & Pedersen L.H. (2014). Betting against beta. Journal of Financial Economics, 111(1), 1-25. https://doi.org/10.1016/i.ifineco.2013.10.005

50. Geertsema, P., & Lu, H. (2020). The correlation structure of anomaly strategies. Journal of Banking and Finance, 119. https://doi.org/10.1016/i.ibankfin.2020.105934

51. George, T. J., & Hwang, C. Y. (2004). The 52-Week High and Momentum Investing. Journal of Finance, 59(5), 2145-2176. https://doi.org/10.1111/i.1540-6261.2004.00695.x

52. Gervais, S., Kaniel, R., & Mingelgrin, D. H. (2001). The High-Volume Return Premium. Journal of Finance, 56(3), 877-919. https://doi.org/10.1111/0022-1082.00349

53. Gr0nborg, N. S., Lunde, A., Timmermann, A., & Wermers, R. (2021). Picking funds with confidence. Journal of Financial Economics, 139(1), 1-28. https://doi.org/10.1016/i.ifineco.2020.07.003

54. Gündüz, L., & Hatemi-J, A. (2005). Stock Price and Volume Relation in Emerging Markets. Emerging Markets Finance and Trade, 41(1), 29-44. https://doi.org/10.1080/1540496x.2005.11052599

55. Guo, J., Li, P., & Li, Y. (2022). What Can Explain Momentum? Evidence From Decomposition. Management Science, 68(8), 6184-6218. https://doi.org/10.1287/mnsc.2021.4135

56. Gupta, T., & Kelly, B. (2019). Factor Momentum Everywhere. The Journal of Portfolio Management, 1(Quantitative Special Issue 2019), 1-24. https://doi.org/10.3905/ipm.2019.45.3.013

57. Hanauer, M. X., & Lauterbach, J. G. (2019). The cross-section of emerging market stock returns. Emerging Markets Review, 38, 265-286. https://doi .org/10.1016/i.ememar.2018.11.009

58. Harvey, C. R. (2017). The Scientific Outlook in Financial Economics. Journal of Finance, 72(4), 1399-1440. https://doi.org/10.1111/iofi.12530

59. Harvey, C. R., & Liu, Y. (2020). A Census of the Factor Zoo. SSRN Electronic Journal. https://doi .org/10.2139/ssrn.3341728

60. Harvey, C. R., & Liu, Y. (2021). Lucky factors. Journal of Financial Economics, 141(2), 413435. https://doi.org/10.1016/i.ifineco.2021.04.014

61. Harvey, C. R., Liu, Y., & Zhu, H. (2016). ... and the Cross-Section of Expected Returns. Review of Financial Studies, 29(1), 5-68. https://doi.org/10.1093/rfs/hhv059

62. Haugen R.A., & Heins J.A. (1975). Risk and the Rate of Return on Financial Assets: Some Old Wine in New Bottles. The Journal of Financial and Quantitative Analysis, 10(5), 775784. https://doi.org/10.2307/2330270

63. He, A., Li, J., & Zhou, G. (2023). Shrinking Factor Dimension: A Reduced-Rank Approach. Management Science, 69(9), 5501-5522. https://doi.org/10.1287/mnsc.2022.4563

64. Heston, L. S., & Sadka, R. (2008). Seasonality in the cross-section of stock returns, Journal of Financial Economics 87, 418-445. https://doi.org/10.1016/i.ifineco.2007.02.003

65. Holm, S. (1979) A simple sequentially reiective multiple test procedure. Scandinavian Journal of Statistics. 6, 65-70.

66. Hou, K., Xue, C., & Zhang, L. (2020). Replicating Anomalies. Review of Financial Studies, 33(5), 2019-2133. https://doi.org/10.1093/rfs/hhy131

67. Huang, M. Y., Roias, R. R., & Convery, P. D. (2019). Forecasting stock market movements using Google Trend searches. Empirical Economics, 59, 2821-2839. https://doi .org/10.1007/s00181-019-01725-1

68. Ilmanen, A., Israel, R., Lee, R., Moskowitz, T. J., & Thapar, A. (2021). How Do Factor Premia Vary Over Time? A Century of Evidence. Journal Of Investment Management, 19(4), 15-57. www.ioim.com

69. Ince, O. S., & Porter, R. B. (2006). Individual equity return data from Thomson datastream: Handle with care! Journal of Financial Research, 29(4), 463-479. https://doi.org/10.1111/i .1475-6803.2006.00189.x

70. Jegadeesh, N., & Titman, S. (1993). Returns to Buying Winners and Selling Losers: Implications for Stock Market Efficiency. In The Journal of Finance, 48 (1), 65-91. https://doi.org/10.1111/i.1540-6261.1993.tb04702.x

71. Jensen, M. C. (1968). The Performance of Mutual Funds in the Period 1945-1964. The Journal of Finance, 23(2), 389-416. https://doi .org/10.1111/i.1540-6261.1968.tb00815.x

72. Kalesnik, V., & Linnainmaa, J. (2018). Ignored Risks of Factor Investing. Research affiliates working paper. https://www.researchaffiliates.com/content/dam/ra/publications/pdf/686-ignored-risks-of-factor-investing.pdf

73. Kosowski, R., Timmermann, A., Wermers, R., & White, H. (2006). Can mutual fund "stars" really pick stocks? New evidence from a bootstrap analysis. Journal of Finance, 61(6), 25512595. https://doi.org/10.1111/i.1540-6261.2006.01015.x

74. Lee, C. M. C., & Swaminathan, B. (2000). Price Momentum and Trading Volume. The Journal of Finance, 55(5), 2017-2069. https://doi.org/10.1111/0022-1082.00280

75. Lettau, M., Ludvigson, S. C., & Manoel, P. (2021). Characteristics of Mutual Fund Portfolios: Where Are the Value Funds? NBER Working Paper 25381. https://doi.org/10.3386/w25381

76. Li, J. & Yu, J. (2012). Investor attention, psychological anchors, and stock return predictability. Journal of Financial Economics, 104(2), 401-419.

77. Lintner, J. (1965). The Valuation of Risk Assets and the Selection of Risky Investments in Stock Portfolios and Capital Budgets. The Review of Economics and Statistics, 47(1), 13-37.

78. Mark Grinblatt and Sheridan Titman. (1993). Performance Measurement without Benchmarks: An Examination of Mutual Fund Returns. The Journal of Business, 66(1), 4768. https://www.istor.org/stable/43303845

79. Markowitz, H. M. (1952). Portfolio Selection. The Journal of Finance, 7(1), 77-91.

80. Mayshar, J. (1983). On Divergence of Opinions and Imperfections in Capital Markets. American Economic Review, 73(1), 114-128. \

81. Mclean, R. D., & Pontiff, J. (2016). Does Academic Research Destroy Stock Return Predictability? The Journal of Finance, 71(1), 5-31. https://doi.org/10.1111/iofi.12365

82. Miller, E. M. (1977). Risk, Uncertainty, and Divergence of Opinion. The Journal of Finance, 32(4), 1151-1168. https://doi.org/10.1111/i.1540-6261.1977.tb03317.x

83. Mossin, J. (1966). Equilibrium in a Capital Asset Market. Econometrica, 34(4), 768-783.

84. Münster, M., Reichenbach, F., & Walther, M. (2024). Robinhood, Reddit, and the news: The impact of traditional and social media on retail investor trading. Journal of Financial Markets, 71, 100929. https://doi.org/10.1016/i.finmar.2024.100929

85. Oliveira, N., Cortez, P., & Areal, N. (2013). On the predictability of stock market behavior using StockTwits sentiment and posting volume. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 8154 LNAI, 355-365. https://doi.org/10.1007/978-3-642-40669-0 31

86. Oliveira, N., Cortez, P., & Areal, N. (2017). The impact of microblogging data for stock market prediction: Using Twitter to predict returns, volatility, trading volume and survey sentiment indices. Expert Systems with Applications, 73, 125-144. https://doi.org/10.1016/i.eswa.2016.12.036

87. Osborne, M. F. M. (1959). Brownian Motion in the Stock Market. In Operations Research (Vol. 7, Issue 2, pp. 145-173). https://doi.org/10.1287/opre.7.2.145

88. Renault, T. (2017). Intraday online investor sentiment and return patterns in the U.S. stock market. Journal of Banking and Finance, 84, 25-40. https://doi.org/10.1016/i.ibankfin.2017.07.002

89. Ross, S. A. (1976). The Arbitrage Theory of Capital Asset Pricing. Journal of Economic Theory, 13, 341-360.

90. Samuelson, P. (1965) Proof That Properly Anticipated Prices Fluctuate Randomly. Industrial Management Review Spring, 6, 41-49.

91. Sharpe, W. F. (1964). Capital Asset Prices: A Theory of Market Equilibrium under Conditions of Risk. The Journal of Finance, 19(32), 452-442.

92. Sun L., Naiand M., & Shen J. (2016). Stock return predictability and investor sentiment: a high-frequency perspective. Journal of Banking and Finance, 73, 147-164.

93. Sun, C. (2024). Factor correlation and the cross section of asset returns: A correlation-robust machine learning approach. Journal of Empirical Finance, 77, Article 101497. https://doi .org/10.1016/i.iempfin.2024.101497

94. Teplova, T., & Tomtosov, A. (2021). Can high trading volume and volatility switch boost momentum to show greater inefficiency and avoid crashes in emerging markets? The

economic relationship in factor investing in emerging markets. Quarterly Review of Economics and Finance, 80, 210-223. https://doi.org/10.1016/i.qref.2021.01.018

95. Teplova, T., Tomtosov, A., & Sokolova, T. (2022). A retail investor in a cobweb of social networks. PLoS ONE, 17(12), e0276924. https://doi .org/10.1371/iournal.pone.0276924

96. Teplova, T., Tomtosov, A., & Sokolova, T. (2022). A retail investor in a cobweb of social networks. PLoS ONE, 17(12), Article e0276924. https://doi .org/10.1371/iournal.pone.0276924

97. Tetlock, P. C. (2007). Giving content to investor sentiment: The role of media in the stock market. Journal of Finance, 62(3), 1139-1168. https://doi.org/10.1111/U540-6261.2007.01232.x

98. Tomtosov, A. (2024). Overlapping portfolio holdings and unique sources of emerging market risk. Borsa Istanbul Review, 24(1), 201-217. https://doi.org/10.1016/i.bir.2023.12.003

99. Treynor, J. L. (1962). Toward a Theory of Market Value of Risky Assets. Unpublished Paper.

100. Tversky, A., & Kahneman, D. (1974). Judgment under uncertainty: Heuristics and biases. Science, 185(4157), 1124-1131.

101. Van der Hart, J., Slagter, E., & van Diik, D. (2003). Stock Selection Strategies in Emerging Markets. Journal of Empirical Finance, 10(1-2), 105-132. https://doi.org/10.1016/S0927-5398(02)00022-1

102. Zaremba, A., & Czapkiewicz, A. (2017). Digesting anomalies in emerging European markets: A comparison of factor pricing models. Emerging Markets Review, 31, 1-15. https://doi .org/10.1016/i.ememar.2016.12.002

103. Zaremba, A., Umutlu, M., & Maydybura, A. (2020). Where Have the Profits Gone? Market Efficiency and the Disappearing Equity Anomalies in Country and Industry Returns. Journal of Banking and Finance, 121, 105966. https://doi.org/10.1016/i.ibankfin.2020.105966

Приложения

Приложение 1. Дополнительные таблицы для глав 2, 3 и 4.

Приложение 1.1. Описание исходных биржевых данных по одиннадцати развивающимся рынкам.

Страна Россия Бразилия Индия Китай Гонконг Индонезия Малайзия Тайвань Таиланд Вьетнам

Биржа МОЕХ BSE BSE, ШЕ SSE, SZSE НКЕХ ЮХ КЗЕ К^Е TWSE SET HOSE

Основной фондовый индекс 1МОЕХ BOVESPA NIFTY 500 SSE Composite НА^ SENG ЮХ Composite KOSPI FBMKLa ТА1ЕХ SET УК-Мех

Цена 365 1046 6179 3777 2277 951 1417 1264 1212 1131 436

Суммарное Капитализация 364 831 6089 3776 2211 944 1405 1228 1208 1127 434

количество акций Объем торгов 366 1051 6181 3777 2277 972 1417 1264 1212 1131 436

Цена/прибыль 306 536 4231 3662 2089 896 1313 1178 1158 1087 422

Цена 125 205 1802 1359 579 294 611 442 612 422 266

Среднее Капитализация 127 193 1794 1365 585 295 610 448 612 426 266

количество акций Объем торгов 121 191 1638 1359 551 293 602 438 599 419 266

Цена/прибыль 82 112 1153 1135 363 222 475 318 468 319 225

Цена 248 487 3375 3621 1740 618 805 865 962 775 400

Наибольшее Капитализация 253 419 3376 3622 1742 618 807 866 962 774 398

количество акций Объем торгов 241 481 3341 3621 1736 618 804 861 962 771 400

Цена/прибыль 175 238 2110 2921 934 422 643 685 805 565 356

Цена 1995-09 1988-03 1981-01 1991-01 1973-01 1990-04 1980-01 1973-01 1987-09 1987-01 2006-12

Стартовый Капитализация 1995-09 1988-01 1981-01 1991-01 1973-01 1990-04 1980-01 1973-01 1987-09 1987-01 2006-12

период Объем торгов 1995-09 1988-03 1984-09 1991-01 1987-05 1990-04 1980-01 1984-03 1988-12 1987-01 2006-12

Цена/прибыль 1997-03 1990-04 1990-01 1991-04 1973-01 1990-04 1984-07 1973-01 1987-09 1987-01 2006-12

Потеря данных, %

Капитализация Объема торгов Цена/прибыль

-1,60% 2,80% 38,20%

5,40% 6,80% 48,10%

0,40% 9,10% 49,70%

-0,50% 0,00% 17,10%

-1,00% 4,80% 37,20%

-0,40% 0,40% 24,40%

0,10% 1,50% 30,60%

-1,40% 0,80% 27,90%

-0,10% 2,10% 23,50%

-0,90% 0,80% 24,50%

0,00% 0,20% 15,40%

Приложение 1.2. Средняя волатильность, доходность и капитализация исследуемых рынков в долларах США.

Бразилия Китай Гонконг Индия Индонезия Малайзия Россия Тайвань Таиланд

Биржи

Среднегодовая доходность,

доллары США %

Средняя рыночная капит ализация, млрд. долларов США

Среднегодовая волатильность доходности, %

BSE

12,1

2,7

19,5

SSE, SZSE

11,5

2,1

15,4

HKEX

10,6

2,0

19,4

BSE, NSE IDX

11,6

0,9

20,2

7,9

0,6

20,6

KLSE

7,8

0,4

14,7

MOEX

1,8

5,4

14,3

TWSE

5,5

0,8

12,9

SET

0,5

14,9

Вьетнам

HOSE

3,9

0,4

13,2

4

Приложение 1.3. Среднее количество акций в портфелях, отражающих минимальные 30%, промежуточные 40% и максимальные 30% значений факторов низкой рыночной беты, низкая волатильность, моментум, повышенный объем торгов, низкая капитализация и сравнительная

недооценка. Портфели сформированы методом breakpoints с неравным количеством акций в портфелях.

Фильтр Бразилия Китай Гонконг Индия Индонезия Корея Малайзия Россия Тайвань Таиланд Вьетнам Среднее

Топ 30%

Бета all 21 182.45 46.067 224.18 13.616 67.479 42.601 13.8 72.643 24.307 19.914 66.208

mcap 13 139.64 23.285 60.373 8.3101 34.140 23.854 6.6636 44.424 14.152 10.921 34.436

tv 10 128.48 14.490 28.0 5.0696 25.899 13.507 3.5909 34.011 7.7220 9.0078 25.431

itv 13 162.91 15.725 27.090 4.1951 25.623 5.9848 4.8909 40.964 6.6457 2.6796 28.118

Волатильность all 23 200.40 49.832 238.79 14.543 76.944 45.622 13.645 81.940 28.416 24.804 72.548

mcap 16 152.40 23.016 69.028 9.1114 41.326 26.646 7.5 50.207 16.910 13.968 38.709

tv 11 143.13 12.452 30.583 5.2055 27.984 14.015 3.5727 37.350 8.5967 10.054 27.599

itv 14 181.11 14.420 29.952 4.4320 28.175 6.7250 5.4727 46.715 7.4359 2.875 31.062

Моментум all 4 22.082 3.0 25.554 1.5226 8.4045 4.9607 1.8181 7.0919 2.6566 2.7421 7.5995

mcap 3 17.015 3.4555 12.728 1.3066 5.5477 3.4350 1.8181 4.9465 2.1362 2.0156 5.2383

tv 2 16.791 2.7385 5.4818 1.2508 3.9271 2.1057 1.2636 3.9050 1.6185 1.5703 3.8947

itv 3 20.507 2.6226 4.4456 1.1498 3.1381 1.3625 1.4727 4.0178 1.4768 1.0312 4.0052

Объем торгов all 2 15.192 1.4932 4.5181 1.0209 3.0 1.4743 1.3909 3.6290 1.3242 1.5312 3.2925

mcap 2 12.110 1.5417 4.2644 0.9686 2.8592 1.3504 1.3636 3.0178 1.1825 1.4687 2.9003

tv 2 11.268 1.6010 3.1014 1.1219 2.4321 1.5226 1.2 2.8961 1.1607 1.3906 2.7427

itv 2 12.564 1.5687 2.6304 1.1742 1.9547 1.0422 1.4363 2.9198 1.1226 1.1015 2.7213

Капитализация all 4 23.123 3.0188 9.5978 2.5505 5.0979 4.8610 2.9909 6.8427 3.8937 2.5156 6.2043

mcap 4 21.312 2.9460 9.0760 2.4843 4.6155 4.3957 2.9818 6.2878 3.6267 2.3906 5.7913

tv 3 18.968 2.7574 7.4673 2.0174 4.2562 3.7885 2.3454 5.8486 3.0899 2.3906 5.0813

itv 3 20.227 2.6388 7.0869 1.9442 3.8291 2.8580 2.6727 6.1216 2.8828 1.3437 4.9844

Недооценка all 29 202.80 51.452 237.01 17.076 82.017 45.740 16.327 75.964 28.057 24.593 73.666

mcap 21 162.34 33.040 82.884 10.595 46.130 29.722 8.7818 52.910 16.970 14.148 43.493

tv 15 152.46 23.530 39.036 6.5365 33.919 17.728 4.5727 40.151 8.8991 10.187 32.009

itv 19 186.97 23.800 35.380 5.4006 30.364 9.2356 5.8454 46.700 8.0027 3.1015 33.940

40%

Бета all 50.566 375.06 123.74 531.73 32.944 157.38 101.00 35.909 161.39 58.782 44.593 152.10

mcap 30.902 301.33 62.752 139.26 17.637 78.854 58.658 13.763 102.75 33.010 24.125 78.459

tv 23.251 296.35 48.097 66.043 10.707 63.899 35.117 6.3454 86.272 18.564 20.75 61.400

itv 28.720 345.45 46.253 59.869 7.4320 58.582 14.643 8.6545 93.347 15.299 3.4062 61.969

Волатильность а11 60.0 410.02 140.96 604.04 39.536 185.93

тсар 35.923 330.61 72.148 160.60 21.498 93.070

Ь/ 27.104 325.48 53.765 75.782 12.620 75.311

НУ 33.405 379.06 51.881 67.956 8.8850 69.381

Моментум а11 15.580 135.37 33.008 279.43 5.4912 41.587

тсар 11.734 97.772 16.450 62.130 3.5156 22.472

Ь/ 11.909 101.64 10.037 28.782 1.7351 19.507

Ну 14.181 115.47 11.369 29.521 1.0696 13.723

Объем торгов а11 2.8461 102.51 5.6981 38.260 0.9825 23.989

тсар 4.9510 73.097 6.5148 19.695 1.3310 19.0

Ь/ 6.2447 67.078 5.4528 12.043 1.7142 16.477

Ну 7.6503 87.318 4.7088 8.7826 1.6724 11.180

Капитализация а11 15.524 199.45 18.385 53.913 6.7770 34.979

тсар 14.363 179.89 17.029 47.608 6.3623 30.381

Ь/ 10.958 163.37 14.743 30.391 4.4878 24.673

Ну 11.615 178.33 14.482 27.521 3.7386 20.909

Недооценка а11 47.881 385.85 100.24 454.95 31.564 150.73

тсар 32.076 311.84 60.924 140.17 18.341 81.909

^ 23.188 305.48 45.355 65.739 10.620 63.889

ЙУ 28.412 356.20 42.805 58.391 7.4285 55.542

Нижние 30%

Бета а11 88.685 495.09 215.66 876.22 57.815 268.15

тсар 49.104 384.20 96.768 214.01 28.777 120.86

ьг 35.713 346.06 64.452 95.264 15.933 87.537

Ну 45.545 453.22 68.959 87.496 12.320 85.851

Волатильность а11 77.601 443.73 196.42 794.47 51.006 231.04

тсар 42.279 344.17 89.614 185.64 24.797 100.85

^ 31.706 304.49 65.334 84.221 14.261 76.783

ЙУ 39.608 402.51 66.687 77.561 10.818 73.268

Моментум а11 75.335 313.30 106.71 458.21 30.250 221.42

тсар 43.902 251.95 66.994 193.21 17.114 92.879

^ 26.118 193.31 47.520 74.605 10.501 56.185

ЙУ 33.0 306.53 44.463 63.521 9.2682 63.364

Объем торгов а11 109.85 480.15 188.59 1138.6 45.355 289.71

тсар 60.363 378.27 91.191 298.71 22.871 114.25

^ 40.783 321.52 57.382 108.67 10.874 67.698

ЙУ 53.013 434.70 60.423 114.67 6.8257 79.057

115.00 66.262 39.800 16.280 25.978 14.574 8.5196 3.0815 9.3111 5.3897 3.5135 1.9425 24.966 22.132 15.057 8.3172 93.126 59.386 35.809 16.549

43.672 16.872 7.9090 10.345 11.272 4.1636 1.3818 2.2909 4.3818 2.4181 1.7454 2.2

5.7636 5.3272 3.4363 4.0909 31.509 13.563 6.1454 7.9272

181.46 115.36 96.391 103.97 59.462 35.317 25.270 28.560 20.554 20.103 16.086 19.112 44.284 39.397 32.083 34.409 147.05 101.18 82.700 89.121

70.147 39.057 21.054 16.972 15.640 9.3869 5.1880 3.7138 3.0817 3.1825 2.5204 1.9182 14.397 12.986 8.3351 6.7983 53.732 31.702 16.177 13.607

55.031

29.531

24.125

4.25

8.5937

5.0

5.125

0.5312

5.0312

3.0312

2.4687

0.3125

8.875

7.5625

5.4687

1.5625

46.875

25.281

20.718

3.5625

173.25 89.177 69.031 69.309 57.402 25.683 19.918 20.320 19.695 14.428 12.304 13.345 38.847 34.822 28.455 28.343 140.32 79.671 61.439 61.777

165.31 89.845 48.858 22.184

149.32 80.441 45.114 19.906 81.356 52.148 23.359 10.320 123.80 75.253 34.444 12.036

66.509 23.690 11.054 15.018 59.754 20.018 9.5636 13.154 45.090 22.245 11.936 16.036 66.818 28.054 11.618 16.636

258.70

154.39 107.86 129.19 229.82 137.51 96.314 112.73

176.40 107.91 75.931 87.881 301.11 148.99 97.741 111.33

102.68 51.978 25.381 21.536 88.307 44.416 22.833 19.637 41.517 23.207 10.801 9.2615 79.544 38.332 16.201 13.504

85.289 41.023 29.187 6.4843 70.257 33.445 25.187 5.7343 51.273 27.375 18.906 5.0078 54.125 28.367 21.648 4.9375

243.64 114.06 78.846 86.164 217.43 100.29 70.528 76.511 145.53 81.722 49.925 58.969 261.61 116.78 71.690 82.467

Капитализация all 140.20 824.44 358.59 1553.5 93.139 450.17 274.60 105.96 439.49 165.18 137.38 412.97

mcap 73.895 606.94 156.53 347.45 44.069 193.04 140.54 35.145 248.93 79.743 64.273 180.96

tv 52.993 551.81 99.223 144.12 23.679 138.78 71.265 14.790 175.11 37.487 48.398 123.42

itv 71.300 751.17 107.31 135.09 17.501 138.97 28.993 21.436 213.57 31.863 9.4531 138.78

Недооценка all 83.104 463.18 232.06 932.88 55.236 259.82 170.77 68.581 269.32 103.97 78.242 247.01

mcap 40.041 350.07 87.692 186.31 25.540 105.19 83.477 21.572 146.52 50.324 36.921 103.06

tv 29.965 310.89 55.525 83.202 14.432 78.306 43.211 9.8545 103.08 25.885 28.351 71.156

itv 39.979 417.11 61.409 79.565 10.891 82.550 17.302 14.527 125.54 21.419 6.1093 79.673

Приложение 1.4. Среднее значение факторов в портфелях из 30/40/30% акций по факторам низкой беты и волатильности, моментум, повышенный объем торгов, низкая капитализация и сравнительная недооценка. Портфели сформированы методом равного количества акций

между портфелями.

Фильтр Бразилия Китай Гонконг Индия Индонезия Корея Малайзия Россия Тайвань Таиланд Вьетнам Среднее

Топ 30%

Beta all 0.4424 0.4486 0.5047 0.5414 0.4867 0.4188 0.5922 0.4301 0.4629 0.4357 0.3709 0.4668

mcap 0.4254 0.4462 0.4662 0.4688 0.4624 0.4232 0.5387 0.3766 0.4534 0.4382 0.3799 0.4435

tv 0.4437 0.4522 0.5206 0.5077 0.4863 0.4520 0.5798 0.3914 0.4921 0.5056 0.4378 0.4790

itv 0.4484 0.4492 0.5263 0.5138 0.4441 0.4587 0.5147 0.4055 0.4892 0.5121 0.2467 0.4553

Volatility all 0.0470 0.0546 0.0625 0.0758 0.0636 0.0572 0.0514 0.0465 0.0477 0.0555 0.0430 0.0550

mcap 0.0406 0.0543 0.0518 0.0544 0.0552 0.0512 0.0450 0.0336 0.0457 0.0513 0.0396 0.0475

tv 0.0424 0.0554 0.0579 0.0546 0.0519 0.0553 0.0486 0.0313 0.0493 0.0553 0.0439 0.0496

itv 0.0425 0.0553 0.0580 0.0545 0.0442 0.0550 0.0419 0.0321 0.0487 0.0518 0.0230 0.0461

Momentum all 0.0619 0.1144 0.1008 0.1713 0.0963 0.0881 0.1044 0.0444 0.0756 0.1099 0.0538 0.0928

mcap 0.0653 0.1164 0.0757 0.1097 0.0802 0.0898 0.0903 0.0350 0.0654 0.1034 0.0437 0.0795

tv 0.0747 0.1206 0.0761 0.1025 0.0402 0.0966 0.0927 0.0165 0.0704 0.1026 0.0576 0.0773

itv 0.0743 0.1128 0.0742 0.0945 0.0412 0.0814 0.0569 0.0308 0.0648 0.0672 0.0108 0.0644

Volume all 0.1833 1.4757 1.9228 5.9081 0.7173 1.2191 2.9460 0.4030 0.9114 2.0310 0.5485 1.6605

mcap 0.5304 1.5078 0.3632 1.0555 0.3073 0.8456 2.0010 0.1260 0.5435 0.3877 0.2799 0.7225

tv 0.1497 1.4197 0.2567 0.3377 0.1862 0.5190 0.6685 0.0926 0.3965 0.5229 0.2243 0.4340

itv 0.1914 1.1929 0.2090 0.5355 0.0850 0.4739 0.1130 0.0836 0.4356 0.3948 0.0485 0.3421

Size all 4024.9 3705.9 5394.5 10645. 371484 338995 723.45 73533. 8940.2 6258.9 201161 561697

mcap 6663.2 4456.9 10526. 42902. 669884 717089 1264.0 185249 13460. 11031. 379445 104417

tv 7581.1 4378.0 13639. 71633. 965084 863810 1851.6 328626 15408. 16820. 410926 137126

itv 6457.6 3834.4 14144. 76436. 115299 757720 3760.0 262069 14666. 17857. 800647 188121

Undervaluation all 0.2263 0.2279 0.1658 0.1673 0.1808 0.2006 0.1811 0.1606 0.1790 0.1640 0.1840 0.1852

mcap 0.2646 0.2336 0.2125 0.2382 0.2064 0.2266 0.2103 0.2171 0.2016 0.1827 0.1996 0.2176

tv 0.2562 0.2337 0.2123 0.2383 0.1995 0.2181 0.2146 0.2154 0.2017 0.1754 0.1843 0.2136

itv 0.2547 0.2322 0.2089 0.2306 0.1896 0.2074 0.2285 0.2039 0.1970 0.1717 0.1261 0.2046

40%

Beta all 0.3371 0.3336 0.3797 0.4003 0.3801 0.3117 0.4482 0.3390 0.3444 0.3331 0.2854 0.3539

mcap 0.3286 0.3333 0.3586 0.3513 0.3888 0.3195 0.4115 0.3138 0.3412 0.3447 0.3033 0.3450

tv 0.3609 0.3388 0.4250 0.3959 0.4378 0.3440 0.4662 0.3726 0.3710 0.4175 0.3458 0.3887

itv 0.3558 0.3359 0.4273 0.4003 0.4430 0.3495 0.4584 0.3662 0.3703 0.4408 0.4181 0.3969

Volatility all 0.0358 0.0408 0.0469 0.0557 0.0503 0.0425 0.0385 0.0353 0.0356 0.0425 0.0329 0.0415

mcap 0.0317 0.0407 0.0395 0.0405 0.0452 0.0385 0.0344 0.0270 0.0343 0.0401 0.0312 0.0366

tv 0.0336 0.0417 0.0458 0.0423 0.0466 0.0418 0.0379 0.0267 0.0373 0.0448 0.0346 0.0394

itv 0.0335 0.0415 0.0450 0.0425 0.0481 0.0419 0.0370 0.0285 0.0367 0.0473 0.0364 0.0398

Momentum all 0.0448 0.0732 0.0905 0.0914 0.1328 0.0627 0.0754 0.0344 0.0408 0.0874 0.0504 0.0713

mcap 0.0499 0.0740 0.0651 0.0699 0.1329 0.0658 0.0719 0.0435 0.0385 0.0931 0.0494 0.0686

tv 0.0463 0.0804 0.0701 0.0675 0.1155 0.0683 0.0810 0.0550 0.0432 0.1019 0.0549 0.0713

itv 0.0480 0.0784 0.0698 0.0638 0.1307 0.0653 0.0811 0.0481 0.0382 0.1150 0.0762 0.0741

Volume all 5.2434 1.1139 6.7408 6.3132 10.714 1.4349 6.6251 1.0081 0.9837 4.1187 0.8316 4.1025

mcap 6.1146 1.1377 1.7005 1.0009 7.1937 0.7609 2.1535 0.2492 0.4861 3.7673 0.5944 2.2872

tv 0.1922 1.0987 0.3592 0.3530 0.7424 0.4512 0.7886 0.1538 0.3355 0.7255 0.4803 0.5164

itv 0.1925 0.9624 0.3715 0.6476 0.3612 0.4710 0.3731 0.1745 0.3433 0.7713 0.4572 0.4660

Size all 3578.3 2865.3 5142.5 8549.1 376176 281416 619.81 86458. 7237.9 5567.2 218536 577142

mcap 5870.1 3483.5 10341. 34269. 697944 602616 1071.3 223976 10884. 9914.4 419746 109812

tv 6861.7 3399.8 13447. 59023. 101779 741671 1705.5 380521 12867. 16872. 521130 151142

itv 6040.8 2974.9 13522. 63525. 139549 645501 3608.6 319565 12157. 19046. 119316 245205

Undervaluation all 0.1727 0.1710 0.1270 0.1248 0.1436 0.1512 0.1331 0.1279 0.1351 0.1269 0.1420 0.1414

mcap 0.2102 0.1757 0.1648 0.1796 0.1730 0.1726 0.1576 0.1799 0.1527 0.1444 0.1634 0.1704

tv 0.2086 0.1763 0.1657 0.1846 0.1866 0.1673 0.1656 0.2001 0.1540 0.1441 0.1490 0.1729

itv 0.2008 0.1753 0.1639 0.1803 0.2128 0.1609 0.1929 0.1870 0.1503 0.1479 0.1816 0.1776

Нижние 30%

Beta all 0.3445 0.3433 0.3767 0.4159 0.3651 0.3263 0.4412 0.3401 0.3573 0.3228 0.2843 0.3561

mcap 0.3240 0.3279 0.3319 0.3519 0.3529 0.3132 0.3854 0.3049 0.3337 0.3110 0.2766 0.3285

tv 0.3370 0.3071 0.3370 0.3592 0.3876 0.3100 0.3914 0.3674 0.3187 0.3583 0.3009 0.3432

itv 0.3495 0.3305 0.3836 0.3824 0.4158 0.3299 0.4066 0.3578 0.3532 0.3785 0.3939 0.3711

Volatility all 0.0357 0.0414 0.0461 0.0572 0.0479 0.0433 0.0376 0.0355 0.0361 0.0405 0.0326 0.0413

mcap 0.0311 0.0394 0.0372 0.0400 0.0412 0.0367 0.0318 0.0263 0.0330 0.0355 0.0286 0.0346

tv 0.0314 0.0364 0.0389 0.0380 0.0413 0.0377

itv 0.0327 0.0394 0.0413 0.0399 0.0410 0.0385

Momentum all 0.0377 0.0724 0.0739 0.0921 0.1021 0.0635

mcap 0.0464 0.0700 0.0573 0.0752 0.0982 0.0625

tv 0.0346 0.0772 0.0639 0.0610 0.0730 0.0611

itv 0.0363 0.0790 0.0657 0.0618 0.0938 0.0621

Volume all 5.9891 1.1190 5.4501 6.6425 9.8478 1.5201

mcap 6.5150 1.1214 1.5687 1.0078 6.1678 0.6869

tv 0.1768 1.1111 0.3238 0.3679 0.6264 0.4038

itv 0.1992 1.0032 0.3537 0.8708 0.2788 0.4750

Size all 3268.0 2743.5 4481.6 8264.2 327101 264418

mcap 5350.8 3214.3 8701.2 32944. 567499 554740

tv 6037.3 2940.9 10927. 53753. 854403 666842

itv 5475.7 2780.5 11662. 59285. 114645 593102

Undervaluation all 0.1688 0.1694 0.1204 0.1236 0.1317 0.1498

mcap 0.1951 0.1648 0.1424 0.1685 0.1501 0.1592

tv 0.1860 0.1507 0.1215 0.1606 0.1526 0.1427

itv 0.1914 0.1635 0.1364 0.1649 0.1933 0.1455

0.0318 0.0322 0.0659 0.0640 0.0630 0.0633 5.9675 1.9547 0.6158 0.3118 562.39 948.86 1421.7 3155.2 0.1271 0.1408 0.1321 0.1641

0.0271 0.0283 0.0333 0.0417 0.0429 0.0417 0.8429 0.2702 0.1431 0.1535 73384. 182022 332521 260494 0.1210 0.1638 0.1867 0.1759

0.0312 0.0339 0.0397 0.0368 0.0397 0.0361 0.9853 0.4681 0.3284 0.3629 6878.8 10055. 10827. 11011. 0.1341 0.1416 0.1233 0.1353

0.0380 0.0398 0.0716 0.0697 0.0742 0.0786 3.7988 2.3693 0.6289 0.7058 4990.7 8546.6 13677. 15686. 0.1210 0.1273 0.1166 0.1206

0.0300 0.0366 0.0454 0.0451 0.0442 0.0526 0.7167 0.4822 0.3884 0.5072 186026 342386 406033 106396 0.1382 0.1470 0.1245 0.1460

0.0347 0.0367 0.0634 0.0606 0.0577 0.0610 3.8982 2.0557 0.4649 0.4747 500024 900489 124575 209698 0.1368 0.1546 0.1452 0.1579

Приложение 1.5. Среднее значение факторов в портфелях из 30/40/30% акций по факторам низкой беты и волатильности, моментум, повышенный объем торгов, низкая капитализация и сравнительная недооценка. Портфели сформированы методом breakpoints.

Фильтр Бразилия Китай Гонконг Индия Индонезия Корея Малайзия Россия Тайвань Таиланд Вьетнам Среднее

Топ 30%

Beta all 0.6779 0.5761 0.8025 0.8084 0.7648 0.6232 0.9168 0.7125 0.6692 0.6850 0.5839 0.7109

mcap 0.6328 0.5781 0.7103 0.6741 0.7283 0.6174 0.8252 0.5953 0.6550 0.6798 0.5930 0.6627

tv 0.6694 0.5894 0.8461 0.7496 0.7851 0.6546 0.9181 0.6305 0.7073 0.7679 0.6448 0.7239

itv 0.6701 0.5840 0.8383 0.7505 0.7546 0.6574 0.8613 0.6451 0.6993 0.7829 0.6319 0.7159

Volatility all 0.0648 0.0646 0.0909 0.1044 0.0911 0.0758 0.0703 0.0690 0.0613 0.0766 0.0579 0.0752

mcap 0.0527 0.0647 0.0735 0.0687 0.0753 0.0642 0.0608 0.0449 0.0582 0.0693 0.0515 0.0622

tv 0.0569 0.0661 0.0886 0.0717 0.0756 0.0711 0.0672 0.0427 0.0628 0.0755 0.0569 0.0668

itv 0.0565 0.0658 0.0867 0.0714 0.0707 0.0705 0.0633 0.0447 0.0616 0.0764 0.0509 0.0653

Momentum all 0.1779 0.2050 0.2921 0.3426 0.3498 0.2325 0.2178 0.1548 0.1675 0.2675 0.1778 0.2350

mcap 0.1708 0.2067 0.2000 0.2475 0.3158 0.2122 0.2018 0.1361 0.1528 0.2591 0.1564 0.2054

tv 0.1639 0.2192 0.2088 0.2280 0.2416 0.2173 0.2083 0.1240 0.1708 0.2468 0.1672 0.1996

itv 0.1655 0.2157 0.1979 0.2239 0.2446 0.2030 0.1681 0.1419 0.1567 0.2211 0.1079 0.1860

Volume all 6.8221 3.0242 14.114 18.416 14.359 3.9672 13.768 2.4169 3.0942 9.7188 2.2335 8.3578