19.03.2017
367 просмотров
Влияние цен на нефть и курса российского рубля на казахстанский тенге до перехода к СПОК/ИТ и после

В данном исследовании использованы ежедневные данные с января 2013 года по январь 2017 года, источником которых является база данных Bloomberg. Период исследования охватывает два временных интервала - до введения СПОК (свободно плавающего обменного курса) и перехода к ИТ (инфляционному таргетированию), и после.

Используемые обозначения:

Y = курс тенге или объясняемая переменная;

X1 = цена на нефть или объясняющая переменная;

X2 = курс рубля или объясняющая переменная.

Гипотеза:

H0 = совокупное влияние цен на нефть и курса рубля на казахстанский тенге не изменилось с введением режима ИТ;

H1 = совокупное влияние изменилось.

Модель 1. Первоначально данные по трем показателям (Y, X1, X2) взяты с временным интервалом от 01.01.2013 по 20.08.2015, т.е. за 2 года и 8 месяцев до введения ИТ и СПОК с целью узнать какой была причинно-следственная связь между переменными. Динамика обменного курса доллара к казахстанскому тенге, российскому рублю и ценам на нефть за соответствующий период представлена на рисунках 1 и 1.1.


Рис. 1  Динамика цен на нефть и курса рубля (01.13 – 08.15), Bloomberg

Рис. 1.1  Динамика обменного курса тенге (01.13 – 08.15), Bloomberg 

Как можно заметить, после перехода Центральным банком Российской Федерации на свободноплавающий валютный режим (11/2014), между ценами на нефть и курсом рубля к доллару США наблюдается более заметная обратная динамика, чего нельзя сказать о казахстанском тенге, курс которого на протяжении следующих 9-ти месяцев держался приблизительно на одном уровне по отношению к доллару США (185 тг за доллар).

Для установления силы влияния (корреляции) одного фактора на другой и направленности взаимодействия между переменными следует построить графики корреляционных полей исходных данных Y против X1 и Y против X2 (рис. 2). Как можно заметить, между показателями за исследуемый период не наблюдалось какой-либо статистически значимой зависимости. Точки на графике фактически показывают, что с изменением по оси X1 (цен на нефть) и X2 (курсом рубля), ось Y (курс тенге) не изменялась, т.е. X1 и X2 не имели значимого эффекта на Y. Другими словами, курс тенге так и держался вблизи уровня в 185 тенге за доллар США, в то время как цена на нефть резко снизилась со 115 до 50 долларов за баррель, а курс рубля с 35 до 65 рублей за один доллар США. Таким образом, хотя и можно провести линию тренда через эти точки, диаграмма рассеяния (корреляционное поле) не показывает какой-либо зависимости между переменными, что имеет смысл, так как в этот период НБРК придерживался фиксированного курса национальной валюты. С этой точки зрения, дальнейшее проведение анализов не имеет какой-либо значимости, так как условная линия тренда горизонтальна с осью X (значение наклона равно нулю), что говорит об отсутствии какой-либо корреляции между переменными.

Рис. 2  Диаграмма рассеяния (Y vs X1, Y vs X2), Bloomberg

Модель 2. Данные по трем показателям (Y, X1, X2) взяты с временным интервалом от 21.08.2015 по 13.01.2017, т.е. 18 месяцев после введения ИТ и СПОК с целью узнать какой стала связь между переменными.

Динамика обменного курса доллара США к казахстанскому тенге, российскому рублю и ценам на нефть за соответствующий период представлена на рисунках 3 и 3.1.

Рис. 3  Динамика цен на нефть и курса рубля (08.15 – 01.17)

Рис. 3.1  Динамика обменного курса тенге (08.15 – 01.17) 

Можно заметить, что за отчетный период тенге стал более чувствительно реагировать на изменение цен на нефть, а его динамика изменения схожа с динамикой изменения российского рубля. Но о характере этой зависимости можно будет узнать после построения корреляционного поля (рисунок 4).

Рис. 4  Диаграмма рассеяния (Y vs X1, Y vs X2), Bloomberg

Можно заметить, что диаграмма рассеяния свидетельствует о наличии нелинейной зависимости (более похожую на полиномиальную) между Y vs X1 и Y vs X2 после введения режима ИТ. Далее приведены результаты парной* полиномиальной регрессии между 2.1) Y и X1 и 2.2) Y и X2 (сделанные с помощью статистического языка R по данным за рассматриваемый период): 

(2.1) -

> fit<-lm(data$Y~data$X1 + I(data$X1^2))
> summary(fit)
Call:
lm(formula = data$Y ~ data$X1 + I(data$X1^2))
Residuals:
   Min      1Q     Median     3Q       Max 
-98.31    -9.48   10.26        17.20   32.55  
Coefficients:        Estimate     Std. Error     t value      Pr(>|t|)    
(Intercept)          698.54499    39.81471       17.545     < 2e-16 ***
data$X1             -15.42756     1.82598       -8.449        2.73e-16 ***
I(data$X1^2)         0.15678      0.02064        7.595        1.36e-13 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
Residual standard error: 25.59 on 541 degrees of freedom
Multiple R-squared:  0.2198,            Adjusted R-squared:  0.217 
F-statistic: 76.23 on 2 and 541 DF,     p-value: < 2.2e-16

Значимость множественного коэффициента корреляции проверена с помощью F-критерия. Наблюдаемое значение равно 19,1, а критическое 1,15, что в данном случае свидетельствует о значимости коэффициента корреляции и коэффициента детерминации. Тогда уравнение полиномиальной регрессии приобретает следующий вид: Y = 698,5 – 15,4X1 + 0.16X1^2.

(2.2) -

> fit<-lm(data$Y~data$X2 + I(data$X2^2))
> summary(fit)
Call:
lm(formula = data$Y ~ data$X2 + I(data$X2^2))
Residuals:
    Min       1Q      Median      3Q        Max 
-99.471   -4.289    9.086     16.517    33.338 
Coefficients:        Estimate        Std. Error      t value     Pr(>|t|)    
(Intercept)          1478.82657      182.39856       8.108       3.47e-15 ***
data$X2             -35.42747        5.31096        -6.671       6.31e-11 ***
I(data$X2^2)         0.27102         0.03849         7.042       5.79e-12 ***
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1 
Residual standard error: 26.31 on 541 degrees of freedom
Multiple R-squared:  0.1754,               Adjusted R-squared:  0.1724 
F-statistic: 57.55 on 2 and 541 DF,     p-value: < 2.2e-16

Полученное уравнение регрессии: Y = 1478.8 – 35,43X1 + 0.27X2^2. На основании полученных исходных данных были определены коэффициенты корреляции для всех показателей, чтобы количественно оценить тесноту их взаимосвязи. Снизу прилагается корреляционная матрицамодели 2 (2.1 и 2.2).

Рис. 5  Корреляционная матрица Модели 2 (2.1 и 2.2)                                                                    

Как следует из матрицы, Модель 2 имеет определенную связь между признаком Y и факторами X1 и X2. При этом связь между Y (курсом тенге) и X1 (ценами на нефть) отрицательная и более значительная чем с X2 (курсом рубля), чего и следовало ожидать (с падением цен на нефть курс тенге опускается и наоборот). Примечательно, что корреляция между X2 (курсом рубля) и X1 (ценами на нефть) довольно значимая, намного превышающая соответствующие показатели между: 1) Y (курсом тенге) и X1 (ценами на нефть); 2) Y (курсом тенге) и X2 (курсом рубля).

Проведенный анализ приводит к выводу о том, что 1) до введения режима ИТ не было прямой статистической взаимосвязи между курсом тенге и ценами на нефть с российским рублем, но 2) после введения ИТ можно заметить определенное влияние российского рубля и нефтяных цен на казахстанский тенге (гипотеза H1). Однако, посчитать совокупное влияние факторов X1 и X2 на Y не получилось в связи с линейной зависимостью между курсом рубля и ценами на нефть. При этом связь между тенге и ценами на нефть является обратной, в то время как связь между курсом тенге и курсом рубля, соответственно, прямая. Хотим отметить, что в ходе анализа было подтверждено, что российский рубль намного более зависим от цен на нефть, нежели казахстанский тенге. Резюмируя всё вышесказанное, можно сделать вывод о том, что эластичность тенге существенно возросла, тем не менее, для нас является очевидным (низкие значения коэффициентов корреляции) то, что по-прежнему присутствует ряд нерыночных факторов, которые могут оказывать влияние на динамику курса национальной валюты.

------
Используется парная регрессия, так как ранее при тестировании множественной регрессии была выявлена мультиколлинеарность, т.е. когда две объясняющие переменные имеют линейную зависимость между собой, что приводит к неустойчивости оценок коэффициентов регрессии и завышению значения множественного коэффициента корреляции. 
последние новости
16.09.2019
Нефть дорожает на 10%
Курс по паре USDKZT находится на уровне 384,6 тенге за доллар
13.09.2019
Поступления от экспорта нефти сократились на 740 млн долларов в июле
Обзор экспорта и импорта РК по состоянию на 01 августа 2019 года
13.09.2019
ЕЦБ поддержал рынок, объявив новый пакет мер стимулирования
Положительное сальдо торгового баланса РК в июле сократилось в 3,3 раза
12.09.2019
Прогноз: спрос на нефть ОПЕК в 2020 году снизится на 4,0%
Тем временем в центре внимания инвесторов сегодняшнее заседание ЕЦБ
11.09.2019
Инфляционные ожидания среди экспертов сохраняются повышенными
АФК представляет результаты очередного опроса профессиональных участников финансового рынка в отношении некоторых индикаторов в сентябре 2019 года
11.09.2019
Нацбанк отчитался о нулевом нетто-участии на валютном рынке в августе
С приближением заседания комитета ОПЕК+ котировки нефти продолжают рост