Использование событийного анализа для оценки информационной значимости рекомендаций аналитиков по российским эмитентам – тема научной статьи по экономике и бизнесу читайте бесплатно текст научно-исследовательской работы в электронной библиотеке КиберЛенинка

Использование событийного анализа для оценки информационной значимости рекомендаций аналитиков по российским эмитентам – тема научной статьи по экономике и бизнесу читайте бесплатно текст научно-исследовательской работы в электронной библиотеке КиберЛенинка Аналитика

Задача прогнозирования медицинских эпизодов

Предсказание эпизодов мы проводим на основе анализа исторических данных. Датасет при этом состоит из двух частей. Первая – это данные о ранее предоставленных пациенту услугах. Эта часть датасета включает социально-демографические данные о пациенте, такие как возраст и пол, а также выставленные ему в разные моменты времени диагнозы в кодировке ICD10-CM [1] и выполненные процедуры по HCPCS [2].

Вторая часть датасета – перечень эпизодов, возникающих для пациента. Для каждого эпизода указываем его тип и дату возникновения, а также временной период, включенные услуги и прочую информацию. Из этих данных формируются целевые переменные для предсказания.

В решаемой задаче важен аспект времени: нас интересуют только эпизоды, которые могут возникнуть в ближайшее время. С другой стороны, имеющийся в нашем распоряжении датасет собирался в течение ограниченного промежутка времени, за пределами которого данных нет.

Аналогичным образом возникает и левое цензурирование (left censoring): для некоторых пациентов эпизод может начать развиваться раньше, чем доступно нашему наблюдению. Для нас это будет выглядеть как эпизод, возникший без всякой предыстории.

Существует еще один вид цензурирования данных – прерывание наблюдения (если период наблюдения не закончен и событие не наступило). Например, из-за переезда пациента, сбоя в системе сбора данных и так далее.

На рис. 1 схематично показаны разные виды цензурирования данных. Все они искажают статистику и затрудняют построение модели.
Использование событийного анализа для оценки информационной значимости рекомендаций аналитиков по российским эмитентам – тема научной статьи по экономике и бизнесу читайте бесплатно текст научно-исследовательской работы в электронной библиотеке КиберЛенинка

Примечания: 1 – нецензурированные наблюдения; 2, 3 – левое и правое цензурирование соответственно; 4 – левое и правое цензурирование одновременно; 5 – прерывание наблюдения.

Другая важная особенность датасета связана с природой потока данных в реальной жизни. Некоторые данные могут поступать с опозданием, в этом случае они недоступны на момент предсказания. Чтобы учесть эту особенность, необходимо дополнить датасет, выбрасывая по несколько элементов из хвоста каждой из последовательностей.

Использование методики event-анализа для изучения процессов на рынке труда

Мальцева Анна Васильевна

Maltseva Anna Vasilievna Алтайский государственный университет/Altai State University

Доцент, заведующая лабораторией Associate professor, head of laboratory E-mail: annamaltseva@rambler.ru

Шилкина Наталья Егоровна

Shilkina Natalia Egorovna Алтайский государственный университет

Altai State University Доцент, директор научно-исследовательского центра Associate professor, director of research center Специальность, по которой ведется исследование 22.00.04

E-mail: natali. shilkina@rambler.ru

Махныткина Олеся Владимировна

Mahnitkina Olesya Vladimirovna Алтайский государственный университет/Altai State University

Преподаватель/senior lecturer E-mail: OlesyaMahnitkina@yandex.ru

Пономарева Кассандра Владимировна

Ponomareva Kassandra Vladimirovna Алтайский государственный университет/Altay State University Студент, 5 курс, Факультет Социологии, Прикладная информатика в социокультурной сфере Student. 5 year, Faculty of Sociology, Applied Computer Science in socio-cultural sphere

E-mail: kassandra_12@inbox.ru

Карпушкин Александр Николаевич

Karpushkin Alexander Nikolaevich Алтайский государственный университет/Altay State University Студент, 4 курс, Факультет Социологии, Прикладная информатика в социокультурной сфере

Student. 4 year, Faculty of Sociology, Applied Computer Science in socio-cultural sphere

E-mail: karpushkin.asu@mail.ru

Осянкина Ксения Сергеевна

Osyankina Kseniya Sergeevna Алтайский государственный университет/Altay State University Студент, 5 курс, Факультет Социологии, Прикладная информатика в социокультурной сфере

Student. 5 year, Faculty of Sociology, Applied Computer Science in socio-cultural sphere

E-mail: kseniya_os@mail.ru

Тюнина Татьяна Владимировна

Tunina Tatiana Vladimirovna Алтайский государственный университет

Altay State University

Должность Студент, 5 курс, Факультет Социологии, Прикладная информатика в

социокультурной сфере Student. 5 year, Faculty of Sociology, Applied Computer Science in socio-cultural sphere

E-mail: tatka-1085@yandex.ru

Использование методики event-анализа для изучения процессов на рынке труда

Event-analysis method for investigation of labor market processes

Аннотация: Использование методики event-анализа в исследовании социального института рынка труда является актуальным в настоящее время способом получения информации. Этот метод дает преимущества высокой оперативности исследования, что особенно важно, когда речь идет о рынке труда, который является высоко динамичным институтом, постоянно претерпевающим трансформации. В статье показано как с помощью методики event-анализа можно проследить текущие события на рынке труда, отразить актуальную картину социальной жизни в целом, составить образ сегодняшних участников рынка труда и решать другие задачи.

Ключевые слова: Рынок труда, event-анализ, процессы на рынке труда.

The Abstract: Event-analysis method for investigation of labor market processes is useful way of research. This approach gives one opportunities of high research efficiency especially for labor market research as it is highly dynamic social institute with lots of transformational elements. The article demonstrates facilities of event-analysis method to find out current affairs at labor market, completely reflect actual situation of society, describe image of present-day labor market actors and solve other problems.

Keywords: Labor market, event-analysis, labor market processes.

Главный редактор – д.э.н., профессор К.А. Кирсанов тел. для справок: 7 (925) 853-04-57 (с 1100 – до 1800) Опубликовать статью в журнале – http://publ.naukovedenie.ru

Социальный институт рынка труда в современных условиях развития общества характеризуется высокой динамичностью изменений. Исследование и анализ этого процесса является актуальной задачей социологии [4]. Однако вопрос об источнике информации, оперативно и детально отражающем происходящие события, остается открытым. Анализ средств массовой информации, в этих условиях, является предпочтительным с точки зрения быстроты получения информации, ее всесторонности и социальной значимости. С большей или меньшей степенью объективности СМИ фиксируют события, отражающие динамику социальных отношений, изменений социальных статусов, трансформацию социальной структуры.

Одним из методов, позволяющих проанализировать информацию, содержащуюся в СМИ, является еуеп1;-анализ. Буеп1;-анализ, в его практическом исполнении, с одной стороны, выступает самостоятельной и довольно эффективной аналитической работой; с другой – это великолепный инструмент для диагностики течения сложных проблем, конфликтов, для описания расстановки социальных сил. Использование данного метода анализа данных дает нам возможность углубленного изучения проблемы, позволяет проследить все изменения, происходящие в определенный период времени, дать объективную оценку сложившейся ситуации.

Существует множество подходов к определению понятия «еуеп1;-анализ», наиболее часто в литературе используется определение «еуеп1;-анализа», как методики, заключающейся в сборе и обработке фактологической информации, с целью создания четкой картины происходящего в четкой временной последовательности [3].

Второй подход к определению понятия «еуеп1;-анализ» дает описание глубины исследования событий, в процессе применения данной методики: «Буеп1;-анализ» – методика (называемая иначе методом анализа событийных данных) направленная на обработку информации, показывающей, кто говорит или делает, что говорит или делает, по отношению к кому и когда говорит или делает» [2].

Еуеп1;-анализ как метод политической науки зародился в 1960-х гг. [6, 7, 8]. Первое системное изложение его методологии и инструментария содержится в работах американского учёного Ч. Маклеланда. Изначально метод формировался в рамках политической науки. Использование еуеп1;-анализа началось под влиянием работ Ч. Тилли, американского социолога и историка, сфокусировавшего внимание на частоте и уровне интенсивности событий. В ходе своей работы Ч. Тилли стал обрабатывать источники информации в следующих аспектах: 1) под углом зрения четкой классификации; 2) во временной последовательности; 3) с точки зрения интенсивности событий, формирующих взаимодействие сторон в рамках конкретной ситуации.

Методика еуеп1;-анализа применялась как средство изучения вариативности уровня коллективного насилия в ходе расовых волнений в США и его причин. Связанные с ней опыты опирались на ежегодные сообщения о влиянии массовых социальных беспорядков на экономику и политику [3]. В настоящее время еуеп1;-анализ нашел свое применение в конфликтологии (например, при изучении внешней среды конфликтной ситуации или составлении четкой временной последовательности развития конфликта), в прогнозировании (например, при анализе политической ситуации, способствует выявлению тенденций дальнейшего развития событий), в социологии (например, при анализе настроений общества). Популярность методики и широкая область ее применения, объясняется как высокой степенью оперативности, так и относительной объективностью получаемой информации о событиях, благодаря чему еуеп1;-анализа удерживает позиции одного из самых актуальных эмпирических методов социологии [2].

Методика еуеп1;-анализа включает в себя следующие этапы:

1. Составление информационного массива. Данный этап заключается в составлении банка данных, либо использовании уже имеющихся баз данных. В качестве источника данных могут использоваться разнообразные материалы, в том числе: отчеты, официальные сообщения, обзоры СМИ, статистика различных происшествий и прочие. На данном этапе важно логически обосновать выбор источников, учитывая их специфику и надежность предоставляемой ими информации [6, 7, 8].

2. Выделение классификаторов. Данный этап заключается в обработке информации, ее сортировке в соответствии с целями исследования. Выделяют четыре основных параметра, предложенных Ч. Маклеландом, по которым, осуществляется дальнейшая обработка данных:

1) оценка сюжета (ответ на вопрос: «что происходит?»)

2) оценка субъекта-инициатора (ответ на вопрос: «кто за этим стоит?»)

3) оценка объекта (ответ на вопрос: «по отношению к кому?»)

4) оценка времени события (ответ на вопрос: «когда?») [2].

3. Азар предложил ввести ещё один параметр – оценка предмета взаимодействия, что подразумевает ответ на вопрос: «по какому поводу производится действие?». В зависимости от целей исследования перечень параметров может быть расширен: например, может быть введен параметр, отражающий контекст анализируемого события. Однако следует помнить, что объектом еуеп1;-анализа являются все-таки не сами события, а сообщения о них, что подразумевает наличие некоторых условностей и искажений.

На этом этапе в ходе систематизации информации заполняется рабочая таблица, содержащая в себе, собранную информацию и присвоенные ей классификаторы.

3. Подсчет результатов. На данном этапе происходит формирование бланков и карт количественных показателей, их подсчет и перевод в качественные характеристики. Основной проблемой данного этапа является сложность адекватной трансляции количественных индикаторов описываемых событий в качественные характеристики [2].

4. Сравнение полученных величин. Данный этап включает в себя визуализацию количественных индикаторов для дальнейшего анализа [2]. На этом этапе широко применяются следующие математические и статистические методы. Во-первых, это корреляционный анализ, в результате которого данные преобразуются до интервального вида, затем выявляется степень влияния одного события на другое, что позволяет подтвердить, либо опровергнуть сформированные ранее гипотезы. Так, например, в одном из исследований Ф. Шродта с помощью корреляционного анализа рассматривалась взаимосвязь между поставками оружия одного государства другому и степенью влияния страны-поставщика на политический курс страны-получателя [1]. Во-вторых, это анализ временных рядов, где данные представляются в виде последовательностей измерений, упорядоченных в четко определенные моменты времени. Впоследствии, выстраивается линия тренда и сезонность, которые являются основными компонентами временного ряда [1]. Затем по результатам полученных данных можно проследить динамику изменений и спрогнозировать будущие изменения. Данный вид анализа проводится с целью понять и описать механизм, порождающий значения ряда, а затем попытаться предсказать его поведение хотя бы в ближайшем будущем. В-третьих, это кластерный анализ, в ходе которого в первую очередь выбирается метод классификации данных (метод к-средних, дискриминантный анализ, древовидная классификация и прочие), подходящий в данном исследовании, также выбирается способ измерения близости между объектами, конкретная группа алгоритмов, затем определяются значения задаваемых для алгоритмов пара-

Главный редактор – д.э.н., профессор К.А. Кирсанов тел. для справок: 7 (925) 853-04-57 (с 1100 – до 1800) Опубликовать статью в журнале – http://publ.naukovedenie.ru

метров, проводятся расчеты и интерпретируются результаты [5]. В-четвертых, метрика Ле-венштейна. Изначально вычисляется расстояние Левенштейна, которая определяется как сумма «весов» операций, необходимых для превращения одной последовательности в другую [1]. Вес должен быть точно определен и представлен в интервальном отношении. В итоге определяются события с минимальными и максимальными расстояниями, на этом этапе чаще прибегают к помощи компьютерной техники.

5. Верификация полученных результатов. На этом этапе в случае успешного подтверждения результатов аналитической работы, полученные данные заносятся в итоговый отчет.

Далее приведем результаты исследования динамики рынка труда в Алтайском крае в соответствии с выделенными этапами еует-анализа.

На начальном этапе в качестве источника информации, заносимой в файл данных, были выбраны средства массовой информации. Из множества имеющихся изданий были отобраны: информационные агентства: «Атмосфера», «Amic.ru», «Яе§пит», информационные сайты: «Барнаул. Новости», «Банкфакс», «Алтапресс.ги», «Doc22.ru», «Политсиб.ру» и газеты: «Маркер», «Известия», «Алтайская правда», «Вечерний Барнаул», «Аргументы и факты», «Свободный курс». Критерием отбора изданий было наличие в публикуемой информации официальных документов, статистических данных и обзоров событий, происходящих на рынке труда. Г руппа исполнителей регистрировала появление сообщений от следующих источников: органов исполнительной и законодательной власти различного уровня, научных и исследовательских агентств. Основная тематика сообщений: профессиональная деятельность, конкурсные объявления, награждение профессионалов, преступления в профессиональной деятельности. Временной период сбора информации: с 1 мая 2021 по 30 августа 2021 г.

Данные сообщения фиксировались в базе данных по следующим характеристикам: 1) дата публикации; 2) ссылка на источник сообщения; 3) заголовок статьи; 4) комментарий, описывающий контекст события.

Следующим шагом было определение классификаторов сортировки информации. Поскольку в ходе исследования необходимо было проследить трансформации социальной структуры рынка труда, то в качестве классификаторов были взяты основания сегментации официальной части открытого рынка труда, выявленные Мальцевой А.В.[4]. Коды представлены в таблице 1.

Таблица 1

Классификаторы категорий сообщений

Код Категория сообщения

Р «Сообщение о работающих»

Б «Сообщение о безработных»

ВВ «Сообщение о трудоустройстве выпускников вузов»

ВС «Сообщение о трудоустройстве выпускников среднеспециальных и других не высших учебных заведений»

С «Сообщение о трудоустройстве студентов (при условии трудоустройства без отрыва от очного обучения)»

У «Сообщение о трудоустройстве учащихся школ (при условии трудоустройства на период каникул)»

П «Сообщение о трудоустройстве пенсионеров»

ВАК «Сообщение о вакансиях»

СТАТ «Статистические сообщения»

ЗАК «Сообщения о законодательных изменениях»

Пример заполнения файла данных с использованием классификаторов представлен в таблице 2.

Таблица 2

Пример заполнения файла данных

Код Дата публи- кации Ссылка Заголовок Комментарий

Б СТАТ 09.06.12 http://doc22.ru/information /povestkadniarinoktruda/3 179-2021-06-09-00-25-06 В Алтайском крае снижение уровня безработицы становится устойчивой тенденцией Одновременно увеличивается количество граждан, трудоустроенных при содействии службы занятости населения региона.

Р 26.06.12 http ://Ь ankfax ^^бе^р ?Р2=84159 Медалью Альберта Швейцера и дипломом профессора Европы награждён алтайский врач Владимир Семенников. Алтайский врач Владимир Семенников был награждён президиумом Европейской академии естественных наук по итогам европейского медицинского форума, прошедшего Германии 31 мая – 1 июня. Зав. кафедрой хирургической стоматологии и челюстно-лицевой хирургии Алтайского государственного медунивер-ситета, д.м.н., профессор Семенников получил медаль Нобелевского лауреата Альберта Швейцера и дипломом профессора Европы.

В результате подсчёта частот была выведена статистика появления в СМИ сообщений по каждому из кодов, представленная в таблице 3.

Таблица 3

Статистика появления сообщений в СМИ

Код Абсолютное значение частоты Процентные соотношения

Р 127 55,70%

Б 23 10,09%

ВВ 9 3,95%

ВС 8 3,51%

С 4 1,75%

У 3 1,32%

П 7 3,07%

ВАК 41 17,98%

СТАТ 3 1,32%

ЗАК 3 1,32%

Итак, в период с 1 мая 2021 по 30 августа 2021 г. в информационном пространстве региональных СМИ Алтайского края количественно доминируют сообщения, отражающие события в сфере трудовой деятельности занятого населения. Количество сообщений о вакансиях практически идентично количеству сообщений о безработных гражданах. Также присутствуют сообщения о трудоустройстве выпускников вузов и средне-специальных учебных заведений, о трудоустройстве пенсионеров, студентов, учащихся. В минимальном количестве представлены сообщения о законодательных изменениях и статистические сообщения.

На данном примере показаны элементарные возможности методики еуеп1;-анализа в получении количественной информации о рынке труда. Однако возможности методики на этом далеко не исчерпаны. Так, на основании полученных количественных данных можно предположить позитивную окраску освещения в региональных СМИ ситуации на рынке труда в Алтайском крае. Для проверки этой гипотезы рекомендуется аналогичное применение техники еуеп1;-анализа для оценки эмоционального содержания сообщений в СМИ. Также возможно аналогичное применение методики еуеп1;-анализа для фиксации изменения содержания сообщений в определенные промежутки времени, заданные в связи с какими-либо чрезвычайными событиями. И, наоборот, изменение содержания сообщений, как правило, выступает индикатором происходящих перемен на рынке труда, а значит и в общественном развитии. С помощью методики еуеп1;-анализа возможно решение и других задач, связанных с текущим измерением динамики рынка труда, формированием образа участников рынка труда и в целом отражения актуальной картины социальной жизни.

ЛИТЕРАТУРА

1. Ахременко А.С. Политический анализ и прогнозирование / А.С. Ахременко -М.: Гардарики, 2006.-333с.

2. Боришполец К.П. Методы политических исследований / К.П. Боришполец – М: Аспект Пресс, 2005. – 221с;

3. Герасимова Е.В. Методы исследования конфликта власти и населения / Е.В. Герасимова – Поволжская академия государственной службы, Саратов.

4. Мальцева А.В. Индикативная роль социального института рынка труда в трансформации социальной структуры современного российского общества (на примере социологических исследований в Алтайском крае) : автореф. дис. … д. социол. Наук : 22.00.04 : защищена 22.12.2021 / А.В. Мальцева. – Барнаул, 2021. 48 с.

5. Мандель И.Д. Кластерный анализ / И.Д. Мандель – М.:Финансы и статисти-ка.1988. – 176с.

6. Морозова В.Н. Методы политического анализа: Учебно-методическое пособие./ В.Н. Морозова – Воронеж: ИПЦ ВГУ, 2007 – 51 с.

7. Рогожин М.В.Частная практика политического анализа./ М.В. Рогожин// Режим доступа: кйр://е1еркапШ.сот/Ьоок/скар1ег-5/46-1уеп1;-апаН2.к1;т1.

8. Цыганков П.А. Политическая социология международных отношений / П. А. Цыганков. Режим доступа: // кйр://8ЫЫю.сот/ЫЫю/агсЫуе/с1§апкоу_роШ/01.а8рх.

Дополнительный анализ:  Анализ рынка опционов: ликвидные инструменты и их показатели

Материалы публикуются в рамках реализации гранта РГНФ “Рынок труда как индикатор трансформации социальной структуры современного российского общества (на примере исследований в Алтайском крае) “№12-13-22001.

Использование событийного анализа для оценки информационной значимости рекомендаций аналитиков по российским эмитентам

ИСПОЛЬЗОВАНИЕ СОБЫТИЙНОГО АНАЛИЗА ДЛЯ ОЦЕНКИ ИНФОРМАЦИОННОЙ ЗНАЧИМОСТИ РЕКОМЕНДАЦИЙ АНАЛИТИКОВ ПО РОССИЙСКИМ ЭМИТЕНТАМ

Погожева А.А.1

В данной статье приводится описание метода событийного анализа и его использование для оценки информационной значимости аналитических отчетов, которые выпускают ^^ инвестиционные банки по российским компаниям. Метод событийного анализа позволяет

^^ т оценить дополнительную доходность, возникающую на фондовом рынке в связи с выходом ^ о пересмотра по рекомендациям, в течение короткого периода времени. Результаты применяемой — модели показывают, что при повышении рекомендаций аналитиками инвестиционных банков ^jb I котировки российских эмитентов значимо повышаются, а при понижении рекомендаций ^^ |Е – соответственно снижаются. Положительная (отрицательная) аномальная доходность наблюдается как в день пересмотра рекомендации, так и днем раньше и днем позже пересмотра, хотя значение t-статистики является максимальным именно в день пересмотра. Ш s При этом не было выявлено какой-либо асимметрии в изменении доходности или объема ^^ | торгов в зависимости от направления пересмотра рекомендации. Полученные результаты яв-ЕЕ ляются устойчивыми на различных выборках данных и подтверждаются как на фондовой ^^ * бирже ММВБ, так и на Лондонской фондовой бирже, хотя инвесторы на бирже LSE быстрее m учитывают новую информацию в ценах акций. Котировки изменяются более значительно ^^ о в том случае, если направление изменения рекомендации совпадает по знаку с итоговым ^ значением рекомендации. Различия между моделями, используемыми для определения ^Q «нормальной» доходности являются минимальными и не влияют на результаты. Наибольшая

СО г реакция рынка на повышения наблюдается в периоды «бычьего» рынка, а на понижения -в периоды «медвежьего» рынка. В то же время, в период «бычьего» («медвежьего») рынка аналитики более склонны выпускать положительные (отрицательные) рекомендации по российским акциям. При этом репутация инвестиционного банка, которая определяется благодаря вхождению в рейтинг Institutional Investor, оказывает влияние на результаты, в то _Q ^ время как страна происхождения команды аналитиков («местные» или «зарубежные») не ока-СС зывает какого-либо влияния на информационную значимость рекомендаций.

и >

1=

< Ш

сл

JEL: G1

I (У ключевые слова: событийный анализ, информационная значимость, рекомендации аналитиков,

^ I I | оценка акций, фондовый рынок, инвестиционные банки

е- Ч

< Введение _ ^

¡^ Мировые расходы на аналитику по фондовому рынку составляют миллионы долларов в

т ш год ежегодно. В России это направление также активно развивается. Более трех десятков

т ^ компаний выпускает регулярные аналитические отчеты, востребованные инвесторами, в

^ СС которых рассматриваются различные аспекты деятельности как отдельных эмитентов, так и

|— ^ целых секторов рынка. ^ сс

П 0 На совершенно эффективном рынке расходы на аналитику были бы не нужны, поскольку

^ и котировки ценных бумаг уже отражали бы всю информацию, доступную на рынке в данный

I— ^ момент. Однако если рынок не является совершенно эффективным, то инвесторы, желая получить доходность выше рыночной, готовы вкладывать средства в получение частной

^ << информации. Это подтверждается фактическим положением дел и ростом ежегодных расходов

^ ^ на аналитику. Аналитические отчеты в таком контексте могут оказывать влияние на рынок

3 постольку, поскольку имеют информационную значимость для инвесторов. Целью данной

О статьи является ответ на вопрос о том, играют ли рекомендации аналитиков по российским эмитентам значимую информационную роль на рынке, то есть оказывают ли они влияние на движение котировок и изменение объема торгов ценными бумагами. До сих пор оценок

1. Аспирант кафедры фондового рынка и рынка инвестиций Департамента финансов НИУ ВШЭ.

(3

m н О CN

U >

1=

СИ

е

_Q L-L-

CQ <С

^ сс

О

о

информационной значимости на российском рынке не проводилось, несмотря на масштабный круг соответствующих исследований за рубежом.

Отчеты, выпускаемые аналитическими командами инвестиционных банков, содержат различные виды информации, однако одним из ключевых разделов, содержащихся в каждом отчете, является рекомендация по ценной бумаге. Фактически это прямое указание на то, как, по мнению аналитика, стоит поступить с акциями эмитента – продать, купить или оставить позицию по акциям неизменной, если они уже входят в портфель инвестора. Рекомендации аналитиков важны как с точки зрения профессиональных инвесторов, так и с точки зрения непрофессиональных, или «шумовых», инвесторов, число которых на российском фондовом рынке постепенно растет.

СО < Направления исследований по рекомендациям аналитиков

С конца 1960-х годов было выпущено большое количество научных работ, так или иначе затрагивающих рекомендаций аналитиков (Ramnath, Rock, Shane, 2008). Постановка вопроса об эффективности рынка, разработка модели ценообразования активов и создание методологии событийного анализа в его современном виде – все это привело к возникновению

u I

широкого круга исследований (Fama, 1968; Grossman, Stiglitz, 1980; Sharpe, 1964). Одним из u S ключевых направлений является оценка влияния выхода различных событий на фондовый рынок. В рамках данного направления рассматриваются различные новости, касающиеся эмитентов и торгуемых ценных бумаг (Климарев, Студников, 2021), начиная от дивидендных — выплат, новостей о слияниях и поглощениях (Теплова, 2008; Чиркова, 2021; Хусаинов, 2008) ~ и смене руководства компании и заканчивая такими повторяющимися типами событий, как

СО i

публикация финансовой отчетности, выход прогнозов менеджмента и ожиданий аналитиков по ключевым финансовым показателям.

Среди прочих событий, влияние которых на рынок оценивается, особую роль занимает выпуск аналитических отчетов по эмитенту (Brown, Warner, 1985). Можно выделить несколько на— х правлений исследований в этой области, которые получили развитие благодаря появлению ^ крупных баз данных по аналитике. К первому из них стоит отнести анализ факторов, которые -I- << оказывают влияние на аналитиков. Сюда относятся все вопросы, касающиеся искажений в ^ ^ мотивации аналитических команд, а потому эти работы имеют большую значимость с точки зрения регулирования. Темы независимости работы аналитиков и снижения перекосов в сторону выпуска положительных рекомендаций привели к разработке ряда законодательных U ограничений на деятельность инвестиционных банков для защиты интересов инвесторов в США, включая выход закона Regulation Financial Disclosure и положения Global Settlement (Michaely, Womack, 1999).

К следующему направлению в исследовании аналитических отчетов стоит отнести все, что связано с процессом подготовки аналитических отчетов и их качеством (Bradshaw, 2004). Авторы исследовали, как меняется точность прогнозов и их ценность для инвесторов в заО висимости от моделей, используемых аналитиками, от разницы в рекомендациях опытных аналитиков и новичков, местных и зарубежных аналитиков, крупных и небольших инвести-^ О ционных банков, специализированных аналитиков и аналитиков широкого профиля, «хоро-О ^ ших» и «плохих» аналитиков. Хотя некоторые выводы остаются под сомнением, в ряде работ С 0 было показано, что точность аналитических прогнозов возрастает с опытом аналитика, раз-^ _1 мером компании, в которой он работает, с увеличением специализации аналитика, со снижением числа покрываемых эмитентов, а также положительно коррелирует с предыдущими успехами аналитика. При этом применяемая при анализе модель не оказывает существенного влияния на точность прогноза.

Наконец, наибольший интерес представляют те работы, в которых рассматривается влияние аналитических отчетов на фондовый рынок (Asquith, Mikhail, Au, 2005; Ivkovic, Jegadeesh, 2004; Beaver, 1968). Влияние можно оценивать напрямую, анализируя информационную значимость аналитических отчетов (Altmkili9, Hansen, 2009; Womack, 1996). В этом случае рас-

сматриваются показатели аномальной доходности и аномального объема торгов, которые возникают вокруг даты пересмотра рекомендации. Кроме того, можно анализировать влияние с практической точки зрения, оценивая возможность заработать благодаря использованию торговых стратегий с использованием информации о рекомендациях. В таких исследованиях рассматривается инвестиционная значимость аналитических отчетов (Loh, Stulz, 2021; Barber, 2001; Elton, Gruber, Grossman, 1986; Stickel, 1995).

Тестирование инвестиционной значимости предполагает наличие большого объема данных для проведения анализа. Что важнее, в рамках такого тестирования исследователи н сталкиваются со множеством методологических проблем, которые еще не были однозначно ^ решены научным сообществом. Выводы об эффективности применения торговых стратегий с ^^ 3 использованием рекомендаций аналитиков значительно различаются в зависимости от многих СО < факторов. В их число входит то, на каком рынке проводится анализ, какой временной интервал ^^ I рассматривается, учитывается ли влияние транзакционных издержек, насколько правильно учитывается вопрос о корреляции данных и т.п. Окончательные выводы сложно сделать и в силу того, что изменение ситуации на рынке приводит к изменению эффективности торговой стратегии. Стратегия, которая показывала хорошие результаты в течение 1990-х годов, может оказаться бесполезной в следующем десятилетии, что наглядно демонстрируется в сравнительных работах по этой теме. В связи с этим вопрос о возможности получить

и и

© дополнительную доходность от использования рекомендаций остается до сих пор открытым.

m н О CN

U >

1=

тестирование информационной значимости, в свою очередь, может проводиться с использованием метода событийного анализа (Boehmer, Masumeci, Poulsen, 1991) либо с по-^Ц мощью анализа предсказуемости доходности. Применение событийного анализа в условиях

(N

Щ ^ отсутствия серьезной кластеризации данных и выхода значимых сопутствующих новостей дает достоверные результаты на краткосрочных временных интервалах. поэтому большая часть исследователей склоняется к мнению о том, что пересмотр аналитических рекоменда-m ций несет информационную значимость для инвесторов (Jegadeesh, Kim, 2006; Brav, Lehavy, 2003). Однако вопросы о силе воздействия пересмотров на фондовый рынок и влиянии стра-П ^ новых различий остаются открытыми, поскольку абсолютное большинство исследований

СС было проведено на основе данных по фондовому рынку США.

Х<

ш

^ ш Метод событийного анализа

X сс

ш Для того чтобы определить информационную значимость изменения рекомендаций U инвестиционными аналитиками, в наибольшей степени подходит метод событийного анализа. Он позволяет определить аномальную доходность и аномальный объем торгов, связанный с интересующими событиями, и определить значимость полученных результатов.

е

_Q L-L-

Суть метода событийного анализа состоит в отслеживании реакций фондового рынка на те ^ I— или иные события, возникающие в результате деятельности участников рынка. Ключевой ^ характеристикой реакции инвесторов является аномальная доходность и кумулятивная I О аномальная доходность, возникающие в короткий период до и после события.

^ Ключевым элементом событийного анализа, как следует из названия метода, является

О

^ непосредственно событие, оказывающее влияние на деятельность компании. В данной статье

^ и_ событием является публикация инвестиционным аналитиком пересмотра рекомендации по

О акциям эмитента. Для определения даты события используется дата появления изменения по

^ рекомендации в информационной ленте агентства «Интерфакс». Стоит обратить внимание,

2 что в качестве даты события используется не период написания рекомендации аналитиком

^ или дата ее утверждения внутренней службой банка, а именно дата публичного появления

0 данной новости.

Важным фактором, влияющим на результаты проведения событийного анализа, является выбор периода времени, в течение которого будут наблюдаться цены акций. Этот временной промежуток носит название окна событий. Традиционно считается, что использование длительных отрезков времени имеет смысл только в том случае, если анализируются значимые

со

и и

и >

1=

и относительно редкие для компании события. В таком случае эффекты подобных событий могут проявляться в течение продолжительного периода времени, отражая сложность события и постепенное появление новой для рынка информации. при исследовании таких событий авторы могут рассматривать окна событий продолжительностью до нескольких лет, как это происходит в случае со сделками о слияниях и поглощениях или о реструктуризациях компаний.

Кроме того, исследование длительного окна событий имеет смысл в том случае, если авторы стремятся оценить возможный «дрейф» котировок в направлении опубликованного пересмотра рекомендаций.

В данной статье рассматривается более узкое окно событий. Во-первых, реакцию рынка на изменение рекомендации можно считать краткосрочной, поскольку это событие, хотя оно и дает относительно новую информацию рынку, все-таки можно отнести к разряду рядовых, происходящих регулярно с каждым эмитентом. Эффект от его объявления длится не больше нескольких дней. Во-вторых, рассмотрение более узкого окна события позволяет снизить влияние других событий, возникающих в информационной жизни компании. То есть сократить информационные «шумы», не относящиеся к изменению рекомендации по акциям.

В целом можно сказать, что спецификация событийного анализа на долгосрочном временном интервале до сих пор вызывает множество вопросов. В то время как событийный анализ для оценки краткосрочных последствий событий позволяет использовать математический

О

т н

° аппарат, гарантирующий достоверность получаемых результатов.

иэ

^ В большинстве исследований, рассматривающих влияние рекомендаций на котировки и объемы ДД о! торгов, используется окно событий продолжительностью 31 день. Этот период включает дату самого события, а также 15 дней до и 15 дней после выхода новости. В данной статье выбран аналогичный интервал для рассмотрения. Кроме того, дополнительно рассматриваются ^ данные из более узкого окна событий – трехдневного интервала, включающего день события, а также один день до и один день после события. Такой анализ связан с тем, что изменения X рекомендаций по одному и тому же эмитенту могут происходить с небольшими интервалами, что приводит к наложению «широких» окон событий. В случае если выход рекомендации Т ^ оказывает влияние на рынок только в течение одного или двух дней, сокращение окна событий ^ сл можно считать уместным для анализа результатов.

Основной принцип метода событийного анализа состоит в том, что доходность ценной бумаги ^ должна быть равна «нормальной» доходности этой бумаги плюс «аномальная» доходность.

^ Причина рассмотрения показателя аномальной доходности состоит в том, что выпуск ^ 2 аналитических отчетов сопровождается существенными затратами. На конкурентном и рациональном рынке инвесторы будут готовы платить за аналитику только в том случае, X ш если ожидаемая доходность от использования рекомендаций инвестиционных банков будет ^ превышать затраты на их получение. Именно возникновение этой доходности и тестируется

^ 0 с помощью метода событийного анализа.

£ Средняя нормальная доходность определяется в течение периода, предшествующему окну ^ О событий, который называется прогнозный период. Аномальная доходность – это случайная О и величина. Таким образом:

О = Я, £а, (1)

О Я – доходность ценной бумаги г в момент времени t,

Я и – нормальная доходность ценной бумаги г для момента времени t, О

О и – случайная величина, характеризующая аномальную доходность.

Т = 0 здесь (и далее) будет использоваться в качестве обозначения даты пересмотра рекомендации.

Доходность по акции в течение одной торговой сессии можно определить как отношение цены закрытия в данный день к цене закрытия за предыдущий день минус единица (при этом

00

00

N

и >

1=

о

в расчет берутся только торговые дни, а не календарные). Однако для того чтобы работать только с положительными значениями доходностей, а также для приведения котировок к большей сопоставимости (принимая во внимание то, что стоимость акций разных компаний может различаться в сотни и даже тысячи раз), в данной статье используется логнормальное распределение.

Поэтому для определения общей доходности акций по итогам каждого дня используется следующая формула:

Ъ = (2)

Рй-1

Р( – цена закрытия по ценной бумаге г в день I, а Р – цена закрытия по ценной бумаге г в предыдущий день и1.

Уравнение для получения аномальной доходности можно переписать следующим образом:

^ = Я – я« (3)

Другими словами, аномальная доходность – это разница между доходностью, возникающей при наступлении события, и «нормальной» доходностью, которая возникла бы при отсутствии ^^ ^ события, то есть в случае отсутствия рекомендации. Для оценки «нормальной» доходности ^^ ° при событийном анализе используются различные варианты моделей, начиная от простейшей модели со средним и заканчивая многофакторными рыночными моделями. Разные модели

О т

3 отличаются точностью и смещенностью результатов, что в свою очередь влияет на оценку

аномальных доходностей.

• Модель со средним является простейшим и одним из наиболее распространенных способов оценить «нормальную» доходность. Несмотря на то что эта модель является самой простой для понимания и реализации, полученные с ее помощью результаты схожи с результатами, полученными с помощью более сложных моделей при условии не слишком широкого окна событий, поскольку дисперсия доходности в течение нескольких дней достаточно низка. Модель предполагает, что средняя

^ нормальная доходность по ценной бумаге определяется в течение прогнозного

СС периода, предшествующего окну событий, и остается постоянной для каждого дня на

X ш протяжении окна событий. В качестве прогнозного периода чаще всего используется

временной отрезок продолжительностью 120 дней. Таким образом, Яг можно X СС определить как среднюю нормальную доходность ценной бумаги ^ посчитанную на

“у ш временном отрезке за 120 дней, предшествовавших анализируемому временному ин-

ф ^ тервалу [-135 <t <-16], то есть:

I | | < _ 1 -16

Ъ Е Я = ш ¿Л (4)

• Рыночная модель имеет то преимущество перед моделью со средним, что предполагает

^ << изменение уровня «нормальной» доходности в течение окна событий. Кроме СС

Дополнительный анализ:  Все что вы (не) хотели знать о Data Science / Блог компании Ситимобил / Хабр

^ того, рыночная модель потенциально лучше модели со средним, так как позволяет

I— исключить доходность, относящуюся к рынку, и уменьшить дисперсию аномальной

^ доходности. Чем ниже дисперсия аномальной доходности, тем больше вероятность

^ У корректно отследить эффект произошедшего события. Преимущество использования

^ 1_1_ рыночной модели будет зависеть от показателя Я2 в регрессии рыночной модели. Чем

О больше показатель Я2, тем значительнее будет уменьшение дисперсии аномальных до-ходностей. В простейшем случае уравнение рыночной модели будет выглядеть так:

о

^ ^ Я = ЯШ , (5)

то есть в качестве «нормальной» доходности выступает Яш , или доходность рыночного портфеля, взвешенного по капитализации, то есть дневная доходность соответствующего рыночного индекса. Аналогично расчету доходности по акции доходность рыночного индекса определяется как:

Ят( = 1п , (6)

1 а-1)

и

и и

(3

m н О CN

U >

1=

О <

с^ О

О

где I – значение рыночного индекса в момент времени I, I – в момент 1-1. Поскольку

I (I 1)

в данной статье рассматриваются ценные бумаги российских компаний, торгующиеся на различных биржах, в качестве рыночных индексов были использованы два индекса, по одному для каждой из фондовых бирж.

Рыночная модель САРМ предполагает стабильную линейную зависимость между доходностью рынка и доходностью рассматриваемой ценной бумаги. Фактически рыночная модель представляет собой однофакторную модель описания поведения доходности акций и является частным случаем более сложных многофакторных моделей. В общем виде уравнение рыночной модели выглядит следующим образом:

Я =(а в Ят1 ) еп (7)

СО – ИЛИ

о I ** = R —(а вК<), (8)

где «нормальная» доходность определяется как:

R = а PiR-mt (9)

В этом уравнении регрессии а и Д – параметры рыночной модели, которые оцениваются с помощью метода наименьших квадратов (МНК), где а – это константа и Д – это коэффициент линейной регрессии оценочной модели, посчитанные в течение прогнозного периода. То есть, как и в случае модели со средним, в течение 120 дней, предшествовавших окну событий [ — 135 < t <—16].

^ • Помимо указанных моделей в ряде зарубежных исследований рассматривается ис-

££ Si пользование многофакторных моделей, включая трехфакторную модель Фамы-Френ-

ча или четырехфакторную модель. В этих моделях, помимо рыночной доходности, оценивается влияние таких факторов, как размер компаний, входящих в выборку, раз-^L £ ница в отношении балансовой стоимости активов к капитализации по компаниям, а

также разница в темпах роста компаний.

П ^ Как было сказано выше, аномальная доходность – это случайная величина, остающаяся сС сверх «нормальной» доходности. Метод событийного анализа предполагает, что компонент Т ^ аномальной доходности Sit отражает влияние события на фондовый рынок, в данном случае ^ – влияние изменения рекомендации (повышения или понижения) на котировки ценной

X СС бумаги. Аномальная доходность определяется как отклонение фактической доходности от нормальной доходности. При этом аномальная доходность для простой рыночной модели будет иметь вид:

= Я – К,, (10)

-О ^ а для модели САРМ:

“”” т = Я ) (11)

С точки зрения событийного анализа основной интерес представляет показатель средней

СЕ <

I О

С^ аномальной доходности. Для обоих моделей можно усреднить наблюдения аномальной доходности для всех ценных бумаг, включенных в выборку, для каждого из дней, входящих в ^ О окно событий. При этом средняя аномальная доходность будет рассчитываться по следующей формуле в каждый из рассматриваемых дней:

^ _! AR = 1 yAR (12)

о < AR=n lARt

^ где ARit = £и. В случае, если выход нового аналитического отчета оказывает влияние на 0 рынок, то можно ожидать, что значение средней аномальной доходности в день повышения ‘ рекомендации будет положительным и статистически значимо отличным от нуля. В случае же понижения рекомендации значение средней аномальной доходности должно быть отрицательным (и также статистически отличным от нуля).

и

Нулевая гипотеза Н которая тестируется, состоит в том, является ли средний показатель аномальных доходностей равным нулю в момент времени ^ т.е. в день пересмотра рекомендации, так что пересмотр рекомендации не влияет на среднюю доходность. Кроме того, интерес представляет вопрос о том, является ли средняя аномальная доходность отличной от нуля в период до и после события. Анализ периода до события важен потому, что если событие прогнозируется, то часть аномальной доходности должна реализоваться до наступления события. Анализ периода после события представляет интерес с точки зрения тестирования эффективности рынка, поскольку определение скорости обработки поступившей информации рынком является эмпирическим вопросом. Если аномальная доходность после события систематически отличается от нуля, это противоречит гипотезе эффективного рынка, поскольку предполагает возможность создания прибыльной торговой стратегии (в отсутствие ^^ ^ транзакционных издержек).

| Нулевая гипотеза отвергается, если критическое значение тестовой статистики превышает з определенный уровень, соответствующий 1%-ному или 5%-ному уровню значимости. Тестовая ^ статистика при этом – случайная величина, поскольку аномальная доходность измеряется с < ошибкой. Наличие ошибки определяется двумя факторами. Во-первых, предположения о том, ° какой должна быть нормальная доходность в отсутствие новостей являются неточными. Во-о вторых, фактические доходности отдельных компаний в дату события зависят от множества © других факторов, так что этот компонент аномальной доходности не усредняется до нуля при перекрестном анализе. Уровень статистической значимости полученных результатов определяется с помощью следующего расчета тестовой статистики:

-О – Т I1(13)

п/-> <ч 1 естовая статистика = . –

5 – 1 * (-1 ^

^ * V* (N -1)^и а ^=1 N

и и

m н О CN

U >

1=

-Q и

и

0 и

1- ^

SE 2

сс ZD О

Для того чтобы иметь возможность рассматривать значимость результатов отдельно для повышений и понижений, вся выборка была разбита на две части для каждой из рассматриваемых бирж.

сЁ Для того чтобы оценить изменение доходности в течение нескольких дней, необходимо ^ агрегировать данные временных рядов за интересующий период времени. Для этого сл используется показатель кумулятивной средней аномальной доходности, CAR (cumulative average residuals). Для каждого дня кумулятивная аномальная доходность рассчитывается как сумма аномальных доходностей всех предыдущих дней окна событий:

CAR, t2 =YAR (14)

i i i t=tl

_ ^ где для данного исследования t: = -15, t2 = 15 . Предполагается, что положительная кумуля-

_Q ll тивная аномальная доходность свидетельствует о создании стоимости в результате случив-

X ш шегося события, а отрицательная – о ее уменьшении. Кумулятивные аномальные доходности

^ рассчитываются отдельно для каждого из типов событий – положительных и отрицательных.

S q Предполагается, что для всей выборки, включающей как положительные, так и отрицатель-

^ (X ные события, кумулятивная аномальная доходность будет несущественно отличаться от нуля

^ q для окна событий, центрированного вокруг даты пересмотра рекомендации.

Данные для оценки информационной значимости рекомендаций

Для тестирования информационной значимости по российским акциям ключевое значение имеют используемые данные. Особенностью российского рынка является то, что не существует относительно крупных и точных баз данных, которые позволяют оценивать влияние рекомендаций непосредственно. Поэтому в качестве источника данных по рекомендациям было принято решение использовать ленту новостей информационного агентства «Интерфакс» (которая не является базой данных в стандартном значении этого слова). Для проведения анализа было необходимо вручную выбрать все новости, касающиеся выпуска аналитических отчетов инвестиционными банками, и обработать их. После этого

со <

(также вручную) проводился полнотекстовый анализ каждой новости – выделялись данные по дате выхода отчета, названию инвестиционного банка, выпустившего отчет, упоминаемым в отчете эмитентам, информация о текущей и предыдущей рекомендациях эмитента, а также о текущей и предыдущей целевых ценах по каждой ценной бумаге.

В тех случаях, когда новость выходила более одного раза, то есть выходила заново с добавленной или скорректированной информацией, в качестве даты выхода аналитического отчета использовалась дата первой новости, а в качестве содержащейся в отчете информации – информация из последней новости.

По итогам сведения общей базы данных проводилась дополнительная проверка на консистентность указанных рекомендаций. К примеру, если однажды по данной ценной бумаге вышел отчет о повышении рекомендации с «держать» до «покупать», то последующие рекомендации от данного инвестиционного банка должны также быть «покупать» вплоть до следующего пересмотра рекомендации. Поскольку все рекомендации по эмитентам оказались консистентными, можно предполагать, что «Интерфакс» учитывал все отчеты, предоставляемые анализируемыми инвестиционными банками, без каких-либо исключений.

Для целей исследования принимались во внимание все ключевые эмитенты, которые можно отнести к «российским». Это эмитенты, основная часть бизнеса которых сосредоточена в России. Они интересуют российских инвесторов и по ним выпускают аналитические отчеты российские инвестиционные банки (или российские подразделения международных инвестиционных банков). По этой причине в зону рассмотрения попали не только эмитенты, которые торгуются на российских фондовых площадках (ММВБ и РТС), но также депозитарные расписки российских эмитентов (т.е. ГДР, торгующиеся на Лондонской фондовой бирже Ь$Е), а также, в редких случаях, – акции «российских» компаний, выпущенные на зарубежных биржах. В результате оказалось, что многие из рассматриваемых эмитентов имеют наряду с торгами на крупнейшей российской бирже ММВБ сопоставимый (или даже превышающий их) объем торгов на зарубежных площадках, в первую очередь – на LSЕ. В таких случаях определялась «главная» биржа. То есть та биржа, чьи данные по котировкам и объемам торгов и эмитента будут использоваться для оценки влияния изменения рекомендаций на фондовый ^ ^ рынок. Основным критерием для определения того, какая биржа будет считаться «главной», являлся объем торгов. При сопоставимом объеме торгов в качестве «главной» биржи использовались данные биржи ММВБ.

ш В качестве «котировки» использовалась цена закрытия по ценным бумагам эмитента на ^ каждый конкретный день (торговую сессию). В редких случаях данные по котировкам отсутствовали – в таких случаях для дополнения данных бралось среднее от цены закрытия на предыдущую и на последующую торговую сессию.

В итоговой базе данных по ряду эмитентов возникали дни, когда разные инвестиционные ^ ^ банки выпускали противоречащие друг другу изменения по рекомендациям. К примеру, ^ СС в результате роста котировок по эмитенту один из инвестиционных банков мог решить,

|_ О что ценные бумаги переоценены – и понизить рекомендацию. В то время как другой

^ СС инвестиционный банк, ожидающий дальнейшего роста котировок, в тот же (или соседний)

и и

со

о

т н о

и >

1=

со ш сс

_0

О

О и

день повышал рекомендацию. Для целей исследования такие противоречащие друг другу сигналы исключались из базы данных, если находились на интервале менее трех дней друг ^ О от друга.

^ В том случае, если в один и тот же день происходил однонаправленный пересмотр рекомендаций

^ по одному и тому же эмитенту, выпущенный разными инвестиционными банками, то эти два 3 события рассматривались как единое событие. Предполагается, что инвесторы в достаточной О степени доверяют изменению рекомендаций одного из банков, так что выход подтверждающей рекомендации в тот же день не должен влиять на усиление реакции инвестора. В качестве альтернативного варианта возможно рассматривать подобные события как независимые, однако это не должно было оказать влияние на результаты исследования – указанные случаи составили менее 2% выборки.

CO <

также из итоговой базы данных были исключены аналитические отчеты по тем ценным бумагам, по которым отсутствовали устойчивые торги в рассматриваемый период.

Для исследования рассматривались рекомендации, выпущенные в период за три года, с 1 июня 2009 года по 1 июня 2021 года. 2009 год характеризуется стремительным ростом рынка, что отражается в высоких положительных показателях доходности. Рост отчасти продолжился и в 2021 году. В 2021 году произошла сильная коррекция рынка, поэтому этот год рассматривается как период падающего рынка. В 2021 году отсутствие очевидных перспектив и высокая неопределенность позволяют говорить о том, что рынок вошел в боковой тренд. таким образом, можно считать, что в течение рассматриваемого периода времени были явно выражены разные тренды динамики фондового рынка.

Исходная выборка состояла из 4631 новостных событий инвестиционных банков, в которых шла речь об изменении какого-либо из ключевых параметров аналитического отчета по эмитентам, включая рекомендации и целевые цены. Для целей исследования в расчет принимались не сами рекомендации, а их изменения, поскольку информационно эффективные рынки не s должны учитывать повторение старой информации. Таким образом, повторение предыдущих ^^ | рекомендаций не рассматривалось в качестве новой информации. Также в выборку не вошли ^ случаи начала выпуска рекомендаций по эмитенту и случаи возобновления и прекращения ^^ * рекомендаций. Это связано с невозможностью отнести такие события к категории «плохих» или «хороших» с точки зрения инвестора.

Выборка изменений по рекомендациям состояла изначально из 1573 событий, включая 789 случаев повышения рекомендаций и 784 случая понижения рекомендаций по 131 эмитенту, выпущенным 19 инвестиционными банками. В результате исключения ценных бумаг, по которым отсутствовали регулярные торги в течение тридцатидневного периода вокруг выхода изменения по рекомендациям, было исключено 36 событий. Кроме того, 37 пересмотров рекомендаций было исключено потому, что указанные в аналитических отчетах эмитенты не торгуются на рассматриваемых биржах (ММВБ или LSE), а торгуются на одной из американских площадок. Еще 128 рекомендаций было исключено по причине выхода противоречащих U друг другу изменений, выпущенных разными инвестиционными банками. Противоречащие ^ друг другу рекомендации исключались в том случае, если они были опубликованы на времен-

^ ш ном интервале менее четырех дней друг от друга. ^^ ш

Т Итоговая выборка состоит из 1372 событий, включая 696 случаев повышения рекомендаций и

“у ш 676 случаев понижения рекомендаций по 119 эмитентам, выпущенным 19 инвестиционными ^ банками. Указанные эмитенты суммарно представляют 89% от общей капитализации биржи I , | ММВБ по итогам 2021 года (без учета капитализации вышедшей на IPO в конце 2021 года

компании «Мегафон» – 91%) и 95% от капитализации всех российских компаний, торгующихся на бирже LSE (без учета капитализации «Мегафона» – 98%).

-Q

СО

©

m н О CN

CN

U >

1=

_Q LJ.

^ ^ Анализ выборки показывает, что в 2009 году, когда рынок активно восстанавливался после

^ СС кризиса 2008 года, было выпущено на 53% больше положительных пересмотров рекомендаций,

|__О чем отрицательных. В 2021 и 2021 годах соотношение повышений и понижений рекомендаций

^ СС оставалось на стабильном уровне – разница в соотношениях не превышает 10%. Однако

О

О и

уже в 2021 году, когда рынок перестал демонстрировать высокие темпы роста, а потенциал большинства эмитентов, по мнению аналитиков, был исчерпан, количество отрицательных

О пересмотров рекомендаций резко увеличилось. К июлю 2021 года было выпущено на 63%

^ больше понижений рекомендаций, чем повышений. Это подтверждает предположение о том,

^ что аналитики более склонны делать положительные пересмотры рекомендаций во время

^ «бычьего» рынка и отрицательные пересмотры – во время «медвежьего» рынка.

О Выборка включает (но не ограничивается) такие крупные российские инвестиционные банки, как «Тройка Диалог» (новое название – «Сбербанк КИБ»), «Ренессанс Капитал», «Альфа-Банк», «Уралсиб», а также зарубежные инвестиционные банки Deutsche Bank, UBS, Goldman Sacks, JPMorgan, Merrill Lynch и другие.

CO

u u

Результаты применения метода событийного анализа

Результаты применения событийного анализа демонстрируют, что в день публикации пересмотра по рекомендации в информационной ленте «Интерфакса» существует статистически значимая средняя аномальная доходность, отличная от нуля, как в случае повышения, так и в случае понижения рекомендации.

При повышении рекомендации средняя аномальная доходность составляет 0,64% (t-статистика = 6,3) в день публикации и 0,40% (t-статистика = 4,3) на следующий день. Следующие три дня также наблюдается положительная аномальная доходность, хотя только на второй день после публикации она статистически значима на уровне 1%. Значения t-статистики как в день пересмотра, так и на следующий день очень высокие. В целом в течение трехдневного окна событий вокруг даты пересмотра рекомендации аномальная доходность (cAR) кумулятивно

увеличивается на 1,21%.

е

^ При понижении рекомендации средняя аномальная доходность составляет -0,50% (t-статистика S = -5,7) в день публикации и -0,26% (t-статистика = -2,9) на следующий день. Следующую £ неделю отрицательная аномальная доходность сохраняется, хотя статистическая значимость

CL

° есть только в течение трех дней. Значения t-статистики как в день пересмотра, так и на сле-

о дующий день очень высокие. Важно также отметить, что в день, предшествующий пересмо-

0 тру публикации, также наблюдается статистическая значимость на уровне 1% (t = -3,2) при

3 средней аномальной доходности -0,3% в этот день. В целом в течение трехдневного окна

(м событий вокруг даты пересмотра рекомендации аномальная доходность (CAR) кумулятивно

иГ снижается на -1,07%.

и >

1=

^Ц Л.

ДД о! Таким образом, как повышение, так и понижение рекомендаций ведет к значимому изменению аномальной доходности. Реакция инвесторов соответствует направлению пересмотра рекомендации – при повышении рекомендации котировки идут вверх, при понижении ^^ т рекомендации – вниз. Изменение цен акций является статистически и экономически значимым.

Дополнительный анализ:  Сотни торговцев пакуют чемоданы: рынок Садовод повысил арендную плату | В России | РЕН ТВ

При этом «усиление» пересмотра рекомендации (то есть повышение до уровня «покупать» П ^ или понижение до уровня «продавать») добавляет к доходности 0,31% в течение трех дней сС после повышения рекомендаций и -0,34% для понижения рекомендаций. Существенной Т ^ асимметрии в реакции рынка на повышения и на понижения не обнаружено.

сл ш сс

<

реакция рынка не является мгновенной и длится более одной торговой сессии, что соответствует выводам зарубежных исследований. Кроме того, аналогично результатам на фондовом рынке ^ США, значимая динамика котировок начинается за один-два дня до пересмотра рекомендации, что может объясняться как особенностью используемой базы данных, так и возможностью рассылки аналитических отчетов ряду клиентов до даты официальной публикации.

-О ^ Расхождение в результатах при использовании рыночной модели и модели САРМ является

X ^ минимальным – как значения ^статистики, так и уровень аномальной доходности остаются

^ ^ на схожем уровне.

|__О При изменении биржи инвесторы в российские ценные бумаги продолжают реагировать на

^ пересмотр рекомендаций. Хотя результаты оценки аномальной доходности для российских

О эмитентов, торгующихся на Лондонской фондовой бирже (Ь$Е), несколько отличаются от

О и результатов на бирже ММВБ.

^ О Значимы только изменения торгов в день пересмотра рекомендации и на следующий день.

^ ^ Уровень ^статистики для биржи LSЕ в целом меньше, чем для биржи ММВБ, но это

^ г объясняется в первую очередь разницей в размере выборок (примерно в 5-6 раз). Тем не менее

повышение доходности на 0,80% в день повышения рекомендации и понижение доходности О на -1,31% в день понижения рекомендации статистически значимы на уровне 1%.

Важным отличием является то, что торги на лондонской бирже можно назвать более эффективными – значимое изменение доходности наблюдается в течение более короткого интервала времени, то есть рынок быстрее отражает в ценах поступление новой информации.

<

со О

cl

ш ^

U U

-Q

CQ

О

о

CN

< CL

О 1= CL

О ^

@

m н О CN

CN

U >

1=

_Q

U

и

СС <

ш со ш сс

ш

и <

Еще одним отличием является то, что на бирже LSE котировки ко второму дню после пересмотра рекомендации выходят на стабильный уровень, в то время как на ММВБ отрицательная аномальная доходность при понижении рекомендации сохранятся вплоть до конца рассматриваемого окна событий.

Полученные результаты показывают, что реакция инвесторов на LSE похожа на реакцию инвесторов на ММВБ. Можно сделать предварительный вывод о большей эффективности Лондонской фондовой биржи в связи с более коротким интервалом времени, на котором влияние рекомендаций оказывается значимым. Кумулятивная аномальная доходность в течение трехдневного окна событий для ММВБ и LSE сопоставимы, однако аномальная доходность (и соответствующая t-статистика) в день пересмотра рекомендаций значимо выше на LSE.

В выборку вошли данные за три года – с июня 2009 по июнь 2021 года, которые содержат как период «бычьего», так и период «медвежьего» рынка. Во время «бычьего» рынка аналитики чаще делали положительные пересмотры рекомендаций, в то время как во время «медвежьего» рынка преобладали отрицательные пересмотры. При этом оказалось, что инвестиционные банки влияют на рынок при любом тренде фондового рынка. Однако в период роста рынка инвесторы больше доверяют положительным пересмотрам рекомендаций и более склонны следовать совету «покупать». А в период спада они больше доверяют понижению рекомендаций, которое подтверждает их ожидания по поводу дальнейшего движения котировок.

Инвестиционные банки с сильной репутацией (то есть входящие в рейтинг Institutional Investor, II) оказывают гораздо большее влияние на котировки ценных бумаг анализируемых компаний, чем прочие инвестиционные банки. Это может быть связано как с тем, что инвесторы действительно больше доверяют рекомендациям зарекомендовавших себя банков и чаще их реализуют, так и с тем, что большее количество инвесторов получает отчеты крупнейших банков. При этом разделение банков по страновой принадлежности (местные и зарубежные) не показало существенных различий в подгруппах.

На пересмотр рекомендаций реагируют не только котировки ценных бумаг. Активность инвесторов, выражающаяся в колебаниях объемов торгов, также значимо повышается в периоды пересмотров. На бирже ММВБ такое повышение более значимо для положительных пересмотров рекомендаций, в то время как на LSE рост объемов торгов происходит при любом направлении пересмотра.

Таблица 1

_Q

CD

2 О

Результаты использования метода событийного анализа для оценки информационной значимости

пересмотров по рекомендациям

< СС

О

(X

сс О и

О

_I

<

сс ZD О

Пересмотр Биржа Модель* Выборка AR [0]** t-стат. CAR [-1;1]***

Повышения ММВБ MAR Вся выборка 0,64% 6,302 1,21%

Повышения ММВБ CAPM Вся выборка 0,57% 6,111 1,02%

Повышения 1БЕ MAR Вся выборка 0,80% 3,211 1,53%

Повышения 1БЕ CAPM Вся выборка 0,61% 2,504 1,17%

Повышения ММВБ MAR 2009 год 0,95% 3,996 1,50%

Повышения ММВБ MAR 2021 год 0,51% 3,146 0,99%

Повышения ММВБ MAR 2021 год 0,55% 3,077 1,20%

Повышения ММВБ MAR 2021 год 0,64% 2,427 1,30%

Повышения ММВБ MAR «Зарубежные» банки 0,70% 5,912 1,29%

Повышения ММВБ MAR «Местные» банки 0,54% 3,116 1,02%

Повышения ММВБ MAR Рейтинг П топ-6 1,14% 5,945 1,92%

<

со О

cl

ш ^

U U

-Q

CQ

О

о

CN

< CL

О 1= CL

О ^

@

m н О CN

CN

U >

1=

Пересмотр Биржа Модель* Выборка AR [0]** t-стат. CAR [-1;1]***

Повышения ММВБ MAR Нет в Рейтинге II 0,33% 3,052 0,75%

Повышения ММВБ MAR Повышения до «покупать» 0,85% 7,452 1,39%

Понижения ММВБ MAR Вся выборка -0,50% -5,741 -1,07%

Понижения ММВБ CAPM Вся выборка -0,54% -6,202 -1,09%

Понижения 1БЕ MAR Вся выборка -1,31% -4,492 -2,49%

Понижения 1БЕ CAPM Вся выборка -1,19% -4,058 -2,26%

Понижения ММВБ MAR 2009 год -0,06% -1,477 -0,85%

Понижения ММВБ MAR 2021 год -0,46% -3,311 -0,98%

Понижения ММВБ MAR 2021 год -0,75% -5,589 -1,49%

Понижения ММВБ MAR 2021 год -0,52% -2,500 -0,62%

Понижения ММВБ MAR «Зарубежные» банки -0,57% -5,236 -1,03%

Понижения ММВБ MAR «Местные» банки -0,46% -3,256 -1,39%

Понижения ММВБ MAR Рейтинг II топ-6 -0,75% -5,692 -1,63%

Понижения ММВБ MAR Нет в Рейтинге II -0,40% -3,473 -0,90%

Понижения ММВБ MAR Понижения до «продавать» -0,69% 7,452 -1,36%

* MAR – рыночная модель (market-adjusted model).

** AR [0] – аномальная доходность в день пересмотра и соответствующее значение t-статистики.

*** CAR [-1;1] – кумулятивная аномальная доходность в течение трехдневного окна событий,

центрированного вокруг даты пересмотра рекомендации.

_0

и

_Q

CD

2 О

и

СС <

ш со ш сс

ш

и <

< СС

О

(X

сс

о

и

о

_I

<

сс ZD

о

Список литературы

1. Теплова Т.В. Влияние дивидендных выплат на рыночную оценку российских компаний: эмпирическое исследование методом событийного анализа на российских и зарубежных торговых площадках // Аудит и финансовый анализ. 2008. № 2. С. 1-15.

2. Чиркова Е.В. Реакция рынка на объявление о приобретении компаний открытого и закрытого типов // Корпоративные финансы. 2021. № 3(19). С. 30-43.

3. Хусаинов З. И. Оценка эффективности сделок слияний и поглощений: интегрированная методика // Корпоративные финансы. 2008. № 1(5). С. 12-33.

4. Климарев Н.В., Студников С.С. Методологические проблемы применения метода событийного анализа в финансовых исследованиях // Вестник Московского университета. 2021. № 6. С. 58-67.

5. Altmkili9, О., Hansen, R.S. (2009), On the information role of stock recommendation revisions, Journal of Accounting and Economics, 1(48) (2009)17-36.

6. Asquith, P., Mikhail, M.B., Au, A.S. (2005), Information content of equity analyst reports, Journal of Financial Economics, 2(75) (2005) 245-282.

7. Barber, B. et al. (2001), Can investors profit from the prophets? Security analyst recommendations and stock returns, The Journal of Finance, 2(56) (2001) 531-563.

8. Beaver, W.H. (1968), The information content of annual earnings announcements, Journal of Accounting Research, 1(7) (1968) 67-92.

9. Beneish, M.D. (1991), Stock prices and the dissemination of analysts) recommendation, Journal of Business, 3(64) (1991) 393-416.

10. Boehmer, E., Masumeci, J., Poulsen, A.B. (1991), Event-study methodology under conditions of event-induced variance, Journal of Financial Economics, 2(30) (1991) 253-272.

11. Bradshaw, M.T. (2004), How do analysts use their earnings forecasts in generating stock recommendations?, The Accounting Review, 1(79) (2004) 25-50.

12. Brav, A., Lehavy, R. (2003), An Empirical Analysis of Analysts) Target Prices: Short-term Informativeness and Long-term Dynamics, The Journal of Finance, 5(58) (2003) 1933-1968.

13. Brown, S.J., Warner, J.B. (1985), Using daily stock returns: The case of event studies, Journal of financial economics, 1(14) (1985) 3-31.

14. Elton, E.J., Gruber, M.J., Grossman, S. (1986), Discrete expectational data and portfolio performance, The Journal of Finance, 3(41) (1986) 699-713.

15. Fama, E.F. (1968), Risk, return and equilibrium: some clarifying comments, The Journal of Finance, 1(23) (1968) 29-40.

CO < 16. Francis, J., Schipper, K., Vincent, L. (2002), Earnings announcements and competing infor-

mation, Journal of Accounting and Economics, 3(33) (2002) 313-342.

17. Francis, J., Soffer, L. (1997), The relative informativeness of analysts’ stock recommendations and earnings forecast revisions, Journal of Accounting Research, 2(35) (1997193-211.

^^ § 18. Grossman, S.J., Stiglitz, J.E. (1980), On the impossibility of informationally efficient mar-

w g kets, The American economic review, 3(70) (1980) 393-408.

u *

© 19. Ivkovic, Z., Jegadeesh, N. (2004), The timing and value of forecast and recommendation

revisions, Journal of Financial Economics, 3(73) (2004) 433-463.

u

X

rn H

o

CN

20. Jegadeesh, N., Kim, W. (2006), Value of analyst recommendations: International evidence, ^ £ Journal of Financial Markets, 3(9) (2006) 274-309.

^ 21. Loh, R.K., Stulz, R.M. (2021), When are analyst recommendation changes influential?, Re-

O I view of Financial Studies, 2(24) (2021) 593-627.

£ 22. Michaely, R., Womack, K.L. (1999), Conflict of interest and the credibility of underwriter

analyst recommendations, Review of Financial Studies, 4(12) (1999) 653-686.

^ J 23. Mikhail, M.B., Walther, B.R., Willis, R.H. (2007), When security analysts talk, who listens?,

CJ C£ The Accounting Review, 5(82) (2007) 1227-1253.

24. Ramnath, S., Rock, S., Shane, P. (2008), The financial analyst forecasting literature: A taxonomy with suggestions for further research //International Journal of Forecasting, 1(24) (2008) 34-75.

LU

O 25. Sharpe, W.F. (1964), Capital asset prices: a theory of market equilibrium under conditions of

LO LLl

cc

m |

_Q LL

risk, The Journal of Finance, 3(19) (1964) 425-442.

26. Stickel, S.E. (1995), The anatomy of the performance of buy and sell recommendations, Financial Analysts Journal, 5(51) (1996) 25-39.

^ ^z 27. Womack, K.L. (1996), Do brokerage analysts’ recommendations have investment value?,

^ § The Journal of Finance, 1(51) (1996) 137-167.

¡- 0

CC

C^ O

0 u

1- LL

SE °

cc O

CÛ <

EMPLOYMENT OF EVENT STUDY TO ESTIMATE INFORMATIONAL SIGNIFICANCE OF ANALYSTS’ RECOMMENDATIONS

OF RUSSIAN EMITTERS

Pogozheva Anastasia,

Postgraduate student, NRU-HSE

Abstract

This article provides description of the event study analysis and its application for testing of the information value of analyst reports that are issued by brokerage firms on Russian public companies. Event study method allows to evaluate abnormal return that exists due to issuance of new analyst recommendation change in the short-term. Results of the empirical research show that quotes of Russian stocks statistically significantly increase as a result of recommendation upgrade by investment analyst and statistically significantly decrease as a result of recommendation downgrade. Positive (negative) abnormal returns are associated to positive (negative and neutral) recommendations change the day of publication of the recommendation and the day before and after publication al-^^ ^ though t-statistics is at the maximum level the day of publication. There is no any asymmetry in the ^^ * effect of recommendation on the stock return or trading volume, following the sign of the recommendation. These results are robust for different data subsets and are consistent as for MICEX stock exchange so for London stock exchange although there is an evidence that LSE investors adopt new information in prices more quickly. Stock prices react more significantly to recommendation ^ revisions if the recommendation change sign coincide with the final recommendation. The differ-CQ §i ence between models that are used to define “normal” return is minimal and does not influence the results. The largest price reactions to upgrades is observed during the “bull” market while the largest price reactions to downgrades is observed during the “bear” market. At the same time, during the m “bull” (“bear”) market analysts tend to issue more favorable (negative) recommendation changes. The reputation of brokerage firm that is defined by Institutional Investor rating does matter while the _Q ^ country of origin of analyst team (“domestic” or “foreign”) does not show any influence on informa-O tion value of the recommendation.

© m

H

o

CN

U >

1=

<

LU

LO

_û LL

JEL: G1

ce Key words: event study, informational significance, recommendations of analysts, stock pricing, stock market,

i i i investment banks.

U

< References

1. Altinkili9 O., Hansen R.S. On the information role of stock recommendation revisions. Jour-

nal of Accounting and Economics, 2009, 1(48), pp. 17-36.

^ < 2. Asquith P., Mikhail M.B., Au A.S. Information content of equity analyst reports. Journal of

S % Financial Economics, 2005, 2(75), pp. 245-282.

I_ CJ

^ 3. Barber B. et al. Can investors profit from the prophets? Security analyst recommendations

n o and stock returns. The Journal of Finance, 2001, 2(56), pp. 531-563.

o u 4. Beaver W.H. The information content of annual earnings announcements. Journal of Ac-

^ O counting Research, 1968, 1(7), pp. 67-92.

5. Beneish, M.D. Stock prices and the dissemination of analysts’ recommendation. Journal of

^ ¡Z Business, 1991, 3(64), pp. 393-416. cc

3 6. Boehmer E., Masumeci J., Poulsen A.B. Event-study methodology under conditions of

event-induced variance. Journal of Financial Economics, 1991, 2(30), pp. 253-272.

7. Bradshaw M.T. How do analysts use their earnings forecasts in generating stock recommendations? The Accounting Review, 2004, 1(79), pp. 25-50.

8. Brav A., Lehavy R. An Empirical Analysis of Analysts’ Target Prices: Short-term

Informativeness and Long-term Dynamics. The Journal of Finance, 2003, 5(58), pp. 19331968.

9. Brown S.J., Warner J.B. Using daily stock returns: The case of event studies. Journal of financial economics, 1985, 1(14), pp. 3-31.

10. Chirkova E.V. Reaktsiia rynka na ob”iavlenie o priobretenii kompanii otkrytogo i zakrytogo tipov [Market reaction to announcements regarding acquisitions of public and private companies]. Korporativnye finansy [Corporate finance], 2021, № 3(19), pp. 30-43.

11. Elton E.J., Gruber M.J., Grossman S. (1986) Discrete expectational data and portfolio performance. The Journal of Finance, 1986, 3(41), pp. 699-713.

12. Fama E.F. Risk, return and equilibrium: some clarifying comments. The Journal of Finance, CQ | 1968, 1(23), pp. 29-40.

^^ I 13. Francis J., Schipper K., Vincent L. Earnings announcements and competing information.

Journal of Accounting and Economics, 2002, 3(33), pp. 313-342.

14. Francis J., Soffer L. The relative informativeness of analysts’ stock recommendations and earnings forecast revisions. Journal of Accounting Research, 1997, 2(35), pp. 193-211.

u

u u

15. Grossman S.J., Stiglitz J.E. On the impossibility of informationally efficient markets. The American economic review, 1980, 3(70), pp. 393-408.

16. Ivkovic Z., Jegadeesh N. The timing and value of forecast and recommendation revisions. Journal of Financial Economics, 2004, 3(73), pp. 433-463.

si 17. Jegadeesh N., Kim W. Value of analyst recommendations: International evidence. Journal of

CQ | Financial Markets, 2006, 3(9), pp. 274-309.

18. Khusainov Z. I. Otsenka effektivnosti sdelok sliianii i pogloshchenii: integrirovannaia metodika [Assessment of efficiency of M&A deals: integrated methodology]. Korporativnye finansy [Corporate finance], 2008, № 1(5), pp. 12-33.

X 19. Klimarev N.V., Studnikov S.S. Metodologicheskie problemy primeneniia metoda sobytiinogo

^ analiza v finansovykh issledovaniiakh [Methodological problems of the use of the event study

method in financial research]. Vestnik Moskovskogo universiteta [Bulletin of the Moscow

@ m

H

O CN

U >

1=

LO

O

university], 2021, № 6, pp. 58-67.

T 20. Loh R.K., Stulz R.M. When are analyst recommendation changes influential? Review of ^ lu Financial Studies, 2021, 2(24), pp. 593-627.

eu

2 21. Michaely R., Womack K.L. Conflict of interest and the credibility of underwriter analyst I | | ^ recommendations. Review of Financial Studies, 1999, 4(12), pp. 653-686.

^ ¡Z 22. Mikhail M.B., Walther B.R., Willis R.H. When security analysts talk, who listens? The Ac-X I—i—i counting Review, 2007, 5(82), pp. 1227-1253.

^ 23. Ramnath S., Rock S., Shane P. The financial analyst forecasting literature: A taxonomy with S q suggestions for further research. International Journal of Forecasting,2008, 1(24), pp. 34-75.

^ 24. Sharpe W.F. Capital asset prices: a theory of market equilibrium under conditions of risk. C^ O The Journal of Finance, 1964, 3(19), pp. 425-442.

O

i_i_ 25. Stickel S.E. The anatomy of the performance of buy and sell recommendations. Financial

J— O Analysts Journal, 1996, 5(51), pp. 25-39.

^ _i

Q < 26. Teplova T.V. Vliianie dividendnykh vyplat na rynochnuiu otsenku rossiiskikh kompanii:

^ empiricheskoe issledovanie metodom sobytiinogo analiza na rossiiskikh i zarubezhnykh

torgovykh ploshchadkakh [Influence of dividend payout on the market valuation of Russian O companies: empirical study through the event study method at Russian and foreign trading

platforms]. Audit i finansovyi analiz [Audit and financial analysis], 2008, № 2, pp. 1-15.

27. Womack K.L. Do brokerage analysts’ recommendations have investment value? The Journal of Finance, 1996, 1(51), pp. 137-167.

Оцените статью
Аналитик-эксперт
Добавить комментарий

Adblock
detector