Прогнозирование волатильности российского биржевого рынка акций в условиях международных экономических санкций

Статья посвящена исследованию тенденций развития российского биржевого рынка акций в условиях международных экономических санкций. Цель исследования заключается в составлении прогнозов волатильности российского биржевого рынка акций с применением сценарного подхода. Для расчетов использована информация Московской биржи. Авторами составлен прогноз волатильности биржевого рынка акций Российской Федерации. Основой прогнозных расчетов является динамика Индекса МосБиржи (IMOEX), взятого в качестве ключевого индикатора российского организованного рынка ценных бумаг, за период с июня 2013 по июль 2022 г. На основе базовой исторической динамики Индекса МосБиржи составлены негативный (международные экономические санкции ужесточаются) и позитивный (предполагает ослабление и/или снятие части санкций) сценарии развития фондового рынка Российской Федерации. Научную новизну составляет полученная авторами оценка сходимости прогноза волатильности при негативном и позитивном сценариях к определенному уровню волатильности в 2023 г. Результаты расчетов показали, что при разных сценариях развития ситуации волатильность при различных предполагаемых значениях Индекса МосБиржи стремится к одному и тому же значению, что позволило сделать новый и практически значимый вывод о том, что с течением времени экономика Российской Федерации стабилизируется вне зависимости от ужесточения или ослабления международных экономических санкций. Это может быть связано с реализацией в стране политики импортозамещения, формированием национального производства в большинстве сфер экономики и развитием внутреннего рынка. Выполненная авторами работа вносит вклад в развитие теоретической и прикладной экономической науки в части составления прогнозов развития фондового рынка и использования результатов прогнозирования для принятия экономически обоснованных решений.

1. Karanasos M., Yfant S., Hunter J. Emerging stock market volatility and economic fundamentals: The importance of US uncertainty spillovers, financial and health crises. Annals of Operations Research. 2022;313(2):1077–1116. DOI: 10.1007/s10479–021–04042-y

2. El Ouadghiri I., Erragragui E., Jaballah J., Peillex J.Institutional investor attention and stock market volatility and liquidity: International evidence. Applied Economics. 2022;54(42):4839–4854. DOI: 10.1080/00036846.2022.2036689

3. Ma Y., Wang Z., He F. How do economic policy uncertainties affect stock market volatility? Evidence from G7 countries. International Journal of Finance & Economics. 2022;27(2):2303–2325. DOI: 10.1002/ijfe.2274

4. Bonfiglioli A., Crinò R., Gancia G. Economic uncertainty and structural reforms: Evidence from stock market volatility. Quantitative Economics. 2022;13(2):467–504. DOI: 10.3982/QE1551

5. SalisuA.A., Demirer R., Gupta R. Financial turbulence, systemic risk and the predictability of stock market volatility. Global Finance Journal. 2022;52:100699. DOI: 10.1016/j.gfj.2022.100699

6. Lyócsa Š., Todorova N. Trading and non-trading period realized market volatility: Does it matter for forecasting the volatility of US stocks? International Journal of Forecasting. 2020;36(2):628–645. DOI: 10.1016/j.ijforecast.2019.08.002

7. Lang Q., Wang J., Ma F., Huang D., Mohamed Ismail M.W.Is Baidu index really powerful to predict the Chinese stock market volatility? New evidence from the internet information. China Finance Review International. 2023;13(2);263– 284. DOI: 10.1108/CFRI-03–2021–0047

8. Lin Z. Modelling and forecasting the stock market volatility of SSE Composite Index using GARCH models. Future Generation Computer Systems. 2018;79(Pt.3):960–972. DOI: 10.1016/j.future.2017.08.033

9. Фёдорова Е.А., Панкратов К.А. Моделирование волатильности фондового рынка в период кризиса. Финансовая аналитика: проблемы и решения. 2011;(37):21–30.

10. Salisu A.A., Ogbonna A.E., Lasisi L., Olaniran A.Geopolitical risk and stock market volatility in emerging markets: A GARCH-MIDAS approach. The North American Journal of Economics and Finance. 2022;62:101755. DOI: 10.1016/j.najef.2022.101755

11. Ma F., Wang J., Wahab M.I.M., Ma Y. Stock market volatility predictability in a data-rich world: A new insight. International Journal of Forecasting. 2023;39(4):1804–1819. DOI: 10.1016/j.ijforecast.2022.08.010

12. Li X., Liang C., Ma F. Forecasting stock market volatility with a large number of predictors: New evidence from the MS-MIDAS-LASSO model. Annals of Operations Research. 2022. DOI: 10.1007/s10479–022–04716–1

13. Симонов П.М., Ахуньянова С.А.Сравнительный анализ методик AR-GARCH и p-адического прогнозирования волатильности финансового рынка. Вестник Пермского университета. Серия: Экономика. 2019;14(1):69– 92. DOI: 10.17072/1994–9960–2019–1–69–92

14. Кисилевский С.О. Моделирование процесса GARCH (1,1) для анализа волатильности при международной диверсификации портфеля акции. Сервис в России и за рубежом. 2011;(4):64–69.

15. Фёдорова Е.А., Назарова Ю.Н.Выявление факторов, влияющих на волатильность фондового рынка, с помощью коинтеграционного подхода. Экономический анализ: теория и практика. 2010;(3):17–24.

16. Seo M., Lee S., Kim G. Forecasting the volatility of stock market index using the hybrid models with Google domestic trends. Fluctuation and Noise Letters. 2019;18(01):1950006. DOI: 10.1142/S0219477519500068

17. Ramos-Pérez E., Alonso-González P.J., Núñez-Velázquez J.J. Multi-transformer: A new neural network-based architecture for forecasting S&P volatility. Mathematics. 2021;9(15):1794. DOI: 10.3390/math9151794

18. Di-Giorgi G., Salas R., Avaria R., et al. Volatility forecasting using deep recurrent neural networks as GARCH models. Computational Statistics. 2023;38(2). DOI: 10.1007/s00180–023–01349–1

19. Chen W.-J., Yao J.-J., Shao Y.-H. Volatility forecasting using deep neural network with time-series feature embedding. Economic Research-Ekonomska Istraživanja. 2023;36(1):1377–1401. DOI: 10.1080/1331677X.2022.2089192

20. Valli S.V.S., Amruth Raj S., Jeevan Sail N., Lavanya K., Khadarunnisa. Stock market prediction using machine learning algorithms. Industrial Engineering Journal. 2023;52(4):786–796.