Предмет. Риски розничных инвестиционных продуктов (паевых фондов, ETF и структурных нот), приобретаемых на российском фондовом рынке. Цели. Создание качественной модели стресс-тестирования, учитывающей взаимозависимость факторов риска. Методология. Использовалось моделирование при помощи машинного обучения, метод vector error correction model (VECM), который позволяет учитывать нестационарность временных рядов и коинтеграционные связи между макроэкономическими показателями. Проведены тесты на стационарность, мультиколлинеарность и коинтеграцию. Применен подход кросс-валидации и расчет ошибки прогноза по метрике MAPE. Результаты. Выбрана и обучена модель, которая позволила учитывать нестационарность временных рядов и взаимосвязи факторов риска. Итоговый показатель mean absolute percentage error составил 19,41%, что говорит о высокой точности прогноза. Риск-факторами были выбраны: инфляция (как продуктовой корзины, так и зарплат), валютные курсы, нефть и ключевая ставка, с учетом их взаимного влияния друг на друга. Область применения. Методика может быть использована аналитиками, финансовыми институтами и регуляторами для оценки устойчивости инвестиционных продуктов в кризисных сценариях, в системах риск-менеджмента и при разработке новых финансовых инструментов. Выводы. Предложенный метод позволит проводить более глубокий и разносторонний стресс-тест розничных инвестиционных продуктов.
Кобринская О.Г. Содержание и этапы стресс-тестирования финансовых рисков предприятия // Вестник Полоцкого государственного университета. Серия D. Экономические и юридические науки. 2020. № 6. С. 79–85. EDN: GHITLR
Кержаков Н.В. Временные ряды и требования к ним // Экономика и социум. 2022 № 11-2. С. 450–453. EDN: MNTLUD
Моисеев Н.А. Сравнительный анализ эффективности методов устранения мультиколлинеарности // Учет и статистика. 2017. № 2. С. 62–73. EDN: ZELDIN
Мамонов М.Е. Рынок кредитов населению: идентификация спроса и предложения в рамках VECM-анализа // Экономический журнал Высшей школы экономики. 2017. Т. 21. № 2. С. 251–282. EDN: ZFVTSV
Данилова Е.О., Марков К.В. Макропруденциальное стресс-тестирование финансового сектора: международный опыт и подходы Банка России // Деньги и кредит. 2017. № 10. С. 3–15. EDN: ZIZVUP
Катюха П.Б. Мировой нефтяной рынок на пороге нового ценового передела // Российский внешнеэкономический вестник. 2020. № 2. С. 119–132. URL: Link
Михеева Е.А., Черняев В.А. Анализ динамики ключевой ставки и ее взаимосвязей с макроэкономическими показателями // Экономика и бизнес: теория и практика. 2023. № 10-2 С. 78–83. EDN: ILVBMZ
Мешкова Е.И. Современные тенденции и проблемы процентной политики банков // Финансовые рынки и банки. 2023. № 6. С. 112–116. EDN: MOLAPC
Шлычков В.В., Нестулаева Д.Р., Зарезнов Д.А. Экономика России в 2022 году: вызовы и механизмы их преодоления // Вестник Челябинского государственного университета. 2023. № 3. С. 240–249. EDN: XXQTKM
Павлова Г.Г. Некоторые современные проблемы индексации заработной платы в условиях повышения уровня инфляции // Вестник экономики, управления и права. 2023. Т. 16. № 4. С. 29–36. EDN: TWWUAX
Шекшуева С.В. Стресс-тестирование современных коммерческих банков России // Современные наукоемкие технологии. Региональное приложение. 2022. № 4. С. 27–32. EDN: ORQWPJ
Биджоян Д.С., Богданова Т.К., Неклюдов Д.Ю. Стресс-тестирование кредитного риска кластера российских коммерческих банков // Бизнес-информатика. 2019. Т. 13. № 3. С. 35–51. EDN: UIQCEO
Козырь Н.С., Епраносян А.А. Стресс-тестирование как метод анализа банковских рисков // Финансовая аналитика: проблемы и решения. 2015. № 22. С. 31–44. URL: Link
Шамрина С.Ю., Ломакина А.Н. Сценарный анализ стресс-тестирования при оценке основных видов рисков кредитной организации // Дайджест-Финансы. 2021. Т. 26. № 2. С. 212–229. URL: Link
