Управление портфелем акций российских компаний при изменении ключевой ставки Банка России

   Цель. Оценка влияния изменения ключевой ставки Банка России на фондовый рынок России для разработки эффективной стратегии управления портфелем акций российских компаний.

   Задачи. Построить модель машинного обучения, позволяющую прогнозировать краткосрочную динамику стоимости индексов при изменении ключевой ставки; определить оптимальную структуру инвестиционного портфеля с учетом полученных результатов; сформулировать основы стратегии по управлению портфелем акций в условиях волатильности ключевой ставки.

   Методология. В исследовании применены методы корреляционного и регрессионного анализа, градиентный бустинг (XGBoost), SHAP-анализ для интерпретации результатов моделей машинного обучения и оценки направления зависимостей, а также метод оценки импульсного отклика котировок индексов на изменение ключевой ставки.

   Результаты. Выявлены статистически значимые эффекты влияния изменения ключевой ставки на котировки отраслевых индексов МосБиржи в краткосрочном периоде (один-три дня). Построенные модели градиентного бустинга демонстрируют высокую предсказательную способность для большинства проанализированных индексов. Разработана методика формирования оптимального портфеля акций с учетом прогнозируемого изменения ключевой ставки.

   Выводы. Установлено, что реакция акций на изменение ключевой ставки существенно различается в зависимости от сектора экономики. Наибольшую чувствительность демонстрируют акции компаний финансового сектора и компаний сектора электроэнергетики. Наименее подвержены влиянию изменения ставки телекоммуникационные компании и компании, бизнес которых связан с химией и нефтехимией. Полученные результаты позволяют формировать инвестиционные портфели с учетом ожидаемых изменений монетарной политики Банка России и минимизировать риски при колебаниях ключевой ставки.

1. Ключевая ставка Банка России // Банк России. URL: https://www.cbr.ru/hd_base/keyrate/ (дата обращения: 18. 03. 2025).

2. Отраслевые индексы МосБиржи полной доходности «брутто» // Московская Биржа. URL: https://www.moex.com/ru/index/MOEXOG (дата обращения: 18. 03. 2025).

3. Blanchard O. J. Output, the stock market, and interest rates // The American Economic Review. 1981. Vol. 71. No. 1. P. 132–143. URL: https://www.researchgate.net/publication/4723102_Output_The_Stock_Market_and_Interest_Rates (дата обращения: 18. 03. 2025).

4. Jensen G. R., Johnson R. R. Discount rate changes and security returns in the U.S., 1962–1991 // Journal of Banking & Finance. 1995. Vol. 19. No. 1. P. 79–95. DOI: 10.1016/0378-4266(94)00048-8

5. Bernanke B. S., Kuttner K. N. What explains the stock market’s reaction to Federal Reserve policy? // The Journal of Finance. 2005. Vol. 60. No. 3. P. 1221–1257. DOI: 10.1111/j.1540-6261.2005.00760.x

6. Федорова Е. А., Панкратов К. А. Влияние макроэкономических факторов на фондовый рынок России // Проблемы прогнозирования. 2010. № 2. С. 78–83.

7. Alexiou C., Tyagi A. Gauging the effectiveness of sector rotation strategies: Evidence from the USA and Europe // Journal of Asset Management. 2020. Vol. 21. No. 3. С. 239–260. DOI: 10.1057/s41260-020-00161-6

8. Hau H., Lai S. Asset allocation and monetary policy: Evidence from the eurozone // Journal of Financial Economics. 2016. Vol. 120. No. 2. P. 309–329. DOI: 10.1016/j.jfineco.2016.01.014

9. Elyasiani E., Mansur I. Sensitivity of the bank stock returns distribution to changes in the level and volatility of interest rate: A GARCH-M model // Journal of banking & finance. 1998. Vol. 22. No. 5. P. 535–563. DOI: 10.1016/S0378-4266(98)00003-X

10. Gnabo J.-Y., Soudant J. Monetary policy and portfolio rebalancing: Evidence from European equity mutual funds // Journal of Financial Stability. 2022. Vol. 63. Article No. 101059. DOI: 10.1016/j.jfs.2022.101059

11. Guo H., Hung C.-H. D., Kontonikas A. The Fed and the stock market: A tale of sentiment states // Journal of International Money and Finance. 2022. Vol. 128. Article No. 102707. DOI: 10.1016/j.jimonfin.2022.102707

12. Kumar D., Sarangi P. K., Verma R. A systematic review of stock market prediction using machine learning and statistical techniques // Materials Today: Proceedings. 2022. Vol. 49. Pt. 8. P. 3187–3191. DOI: 10.1016/j.matpr.2020.11.399

13. Люкевич И. Н., Долгов А. М. Применение машинного обучения в ценообразовании инноваций // Фундаментальные и прикладные исследования в области управления, экономики и торговли : сб. тр. Всерос. науч.-практ. и учеб.-метод. конф. : в 8 ч. Ч. 1 (Санкт-Петербург, 15–19 мая 2023 г.) / отв. ред. С. В. Широкова. СПб.: Политех-Пресс, 2023. С. 114–122.