Федеральное государственное автономное образовательное учреждение

высшего образования «Национальный исследовательский университет

«Высшая школа экономики»

НИУ ВШЭ – Нижний Новгород

Факультет экономики

КУРСОВАЯ РАБОТА

На тему
Статистические методы оценки волатильности
финансовых активов
(Statistical methods for assessing financial assets volatility)

Студент группы №18Э3

Иванова Елена Николаевна

Руководитель
Старший преподаватель,
кандидат экономических наук,
Лакшина Валерия Владимировна

Нижний Новгород, 2020

 Содержание

Введение…………………………………………………………………………...3

Глава 1. Теоретическая часть…………………………………………………….5

1.1. Понятие «волатильность»…………………………………………………5

1.2. Способы прогнозирования……………………………………………...…7
1.3. Технический анализ прогнозирования……………………………………9
1.4. Классификация статистических методов оценки волатильности……..10
1.5. Описание основных моделей оценки волатильности…………………..12
1.5.1. Модель простой исторической волатильности (SHV)…………...13
1.5.2. Модель ARCH………………………………………………………14
1.5.3. Модель GARCH…………………………………………………….15
1.5.4. Модель EWMA……………………………………………………..16
1.5.5. Модель экстремальной волатильности (HLHV)…………………17

Глава 2 Практическая часть……………………………………………………..19

2.1. Применение основных моделей оценки волатильности на практике…...19

2.1.1. Модель простой исторической волатильности (SHV)…………….19
2.1.2. Модель ARCH………………………………………………………..20
2.1.3. Модель GARCH……………………………………………………...20
2.1.4. Модель EWMA………………………………………………………21
2.1.5. Модель экстремальной волатильности (HLHV)…………………...21
2.2. Выводы………………………………………………………………………21
Заключение……………………………………………………………………….25
Список использованной литературы…………………………………………...26
Приложения……………………………………………………………………...27
 Введение

На сегодняшний день, в условия экономической нестабильности особое

значение принимает проблема оценки риска приобретения различных
финансовых активов. Оценить риск можно с помощью такого инструмента,
как волатильность, который приносит пользу как при краткосрочном, так и
при долгосрочном планировании стратегии инвестирования. Однако,
существует бесчисленное множество методов и приёмов для оценки
волатильности, но являются ли они все одинаково эффективными. Под
методами в теме работы подразумеваются модели волатильности, поэтому
далее, в данной работе слова «модели» и «методы» следует считать
синонимами, так же, как и выражения «оценка волатильности» и «расчёт
волатильности».

На данный момент существует большое количество работ,

посвящённых методам оценки исторической волатильности, особенно в
зарубежной литературе. Большинство авторов либо анализировали уже
существующие модели, либо предлагали какие-либо новые методы,
разработанные ими. Однако очень мало работ посвящены проведению
классификации среди всего разнообразия методов, что не даёт охватить весь
объём существующих моделей.

Объектом нашего исследования является финансовый рынок и его

отдельные сегменты, а предметом исследования – статистические методы
оценки волатильности финансовых активов.

Цель данной работы: изучить существующие статистические методы

оценки волатильности финансовых активов, проведя их классификацию, и
рассмотреть применение основных моделей на практике, на примере акций
ПАО «Сбербанк» (SBER).

Задачи исследования:

1. Определить понятие «волатильность»;

3
 2. Рассмотреть методы и модели прогнозирования в целом;
3. Узнать, что такое технический анализ;
4. Классифицировать статистические методы оценки
волатильности;
5. Изучить основные модели оценки исторической волатильности
финансовых активов;
6. Применить основные модели оценки волатильности на практике,
на примере акций ПАО «Сбербанк» (SBER), проанализировав
полученные результаты.

Гипотеза исследования: все статистические модели оценки

волатильности финансовых активов можно классифицировать на несколько
групп, более того, все модели приводят к одному и тому же результату, то
есть выбор модели не влияет на получаемую оценку волатильности.

Таким образом, в теоретической части работы будут рассмотрены

понятие «волатильность», методы прогнозирования в целом, технический
анализ, будет проведена классификация статистических методов оценки
волатильности финансовых активов, а также, более подробно, будут изучены
основные модели оценки волатильности, такие как модель простой
исторической волатильности, авторегресионные модели ARCH и GARCH,
модель EWMA, а также модель экстремальной волатильности.

В практической части работы основные модели оценки волатильности

будут рассмотрены на практике, а именно на примере акций ПАО
«Сбербанк» (SBER), будет посчитана дневная волатильность акций в период
с 25.12.2019 по 25.03.2020.

Проанализировав, как теоретическую, так и практическую часть

работы, мы сможем сделать вывод о подтверждении или опровержении
выдвинутой гипотезы.

4
 Глава 1 Теоретическая часть

1.1. Понятие «волатильность»

Понятие «волатильность» берёт свои корни из английского языка

(volatility) и переводится как «изменчивость, непостоянство» [6]. Именно это
слово стали использовать при определении характеристики, показывающей
изменение цены того или иного актива. Так как цены на финансовом рынке
имеют свойство постоянно изменяться, то каждый, кто торгует на данном
рынке, чтобы максимизировать свою прибыль, пытается спрогнозировать
будущую цену, которая определяется исходя из свойств конкретного
финансового актива, его прошлых данных, касающихся цены и различных
других факторов, в большинстве случаев не поддающихся контролю.
Краткосрочные изменения цены, как известно, влияют и на долгосрочный
тренд, поэтому инвесторы заинтересованы в отслеживании изменений цены
того или иного актива в небольшие промежутки времени. Именно для
характеристики этого изменения и используется такой параметр, как
волатильность.

Очевидно, что чем большее изменение цены на актив, тем выше его
волатильность. Таким образом, на самом простом уровне понимания: чем
выше волатильность, например, ценной бумаги, тем больше будет прибыль
или убыток у владельца данной бумаги.

В 20 веке, благодаря известным американским экономистам Джеймсу

Тобину, Гарри Марковицу, Уильяму Шарпу, волатильность стали измерять
как среднее отклонение от цены актива. Таким образом этот параметр стал
отождествляться с оценкой риска, что позволило инвесторам сравнивать
финансовые инструменты и формировать структуру своих инвестиционных
портфелей более эффективно [8]. Данное открытие способа вычисления
волатильности повлекло за собой развитие различных теорий, моделей и

5
методов прогнозирования изменений цен финансовых активов. Однако,
несмотря на наличие многообразия исследований, теорий и методик, на
сегодняшний день нет универсальной модели, которая была бы способна
точно спрогнозировать цену финансового актива. Большинство
существующих моделей имеют как достоинства, так и недостатки.

Различают три основных вида волатильности: историческая

волатильность, ожидаемая волатильность и ожидаемая историческая
волатильность [1]. Рассмотрим каждый вид более подробно.

Историческая волатильность считается с помощью исторических

данных о цене того или иного финансового актива и представляет собой
величину, равную среднему отклонению стоимости данного актива от его
средней цены за определённый промежуток времени, что позволяет выяснить
среднее значение показателя изменчивости для определённого финансового
актива.

Ожидаемая волатильность считается исходя из текущей стоимости

финансового актива, предполагая, что рыночная стоимость данного актива
показывает все ожидаемые риски. По сути, этот показатель является
прогнозом, который учитывает множество различных факторов:
историческую волатильность, политическую и экономическую ситуацию,
ликвидность рынка и другие.

Историческая ожидаемая волатильность является историей ожидаемой

волатильности, то есть представляет собой исторические данные об
ожидаемой величине показателя изменчивости для того или иного
финансового актива за определённый промежуток времени.

Следует отметить, что историческая и ожидаемая волатильность, как

правило, не совпадают, так как в большинстве случаев историческая
волатильность считается исходя из цен закрытия в конце дня, а ожидаемая

6
волатильность предсказывает показатель изменчивости, ожидаемый в
будущем.

1.2. Способы прогнозирования

Перед тем как изучить конкретные модели прогнозирования

волатильности необходимо рассмотреть существующие способы
прогнозирования на финансовом рынке в целом.

Прогнозирование – предположение о том, что произойдёт в будущем,

основанное на научных методах. В большинстве случаев для прогноза
используются данные за прошлые периоды, или по-другому, исторические
данные о том или ином объекте, который выступает в качестве исследуемого.
После этого эти данные формируются в модель, которая позволит сделать
наиболее точный и эффективный прогноз. На данный момент количество
методов прогнозирования довольно велико, поэтому мы рассмотрим только
основные группы этих методов. В целом методы прогнозирования можно
разделить на интуитивные и формальные [7].

Интуитивные методы, также очень часто называют качественными, в

связи с тем, что они основаны в первую очередь на суждениях и различных
оценках экспертов. Данные методы применяются в тех случаях, когда
сделать прогноз либо очень сложно, то есть нет возможности формально
описать ситуацию, либо, наоборот, очень просто, то есть нет необходимости
применять какие-либо расчёты.

Формальные методы позволяют построить модель прогнозирования, то

есть, таким образом, они задают математическую зависимость, на основе
которой будут получены будущие необходимые значения. Далее,
формальные методы можно разделить на две основные группы, структурные
и неструктурные модели, соответственно.

Структурные модели – математические модели, которые применяются

для выявления зависимостей среди данных за прошлые периоды для того,
7
чтобы сделать прогноз о значениях будущих показателях. Данные модели, в
свою очередь, делятся ещё на две группы.

К первой группе относятся модели, в основе которых используются

регрессионные и классификационные деревья, что даёт возможность
обрабатывать большие объёмы данных в короткие сроки, также, модели
нейронных сетей, главным преимуществом которых является способность
установки нелинейных зависимостей, и другие различные модели.

Во вторую группу входят модели, в которых зависимость будущих

значений от прошлых задаётся аналитически, то есть в основном с помощью
формул и уравнений. К ним относятся модели регрессии, которые считаются
самыми простыми и гибкими для использования. Также, они включают в
себя авторегрессионные модели, данный класс моделей считается одним из
самых широко используемых. Сюда же входят модели экспоненциального
сглаживания, которые в большинстве случаев применяются для
прогнозирования в долгосрочном периоде.

Что касается неструктурных моделей, то данные модели, как правило,

довольно детальны, они представляют собой математические модели,
которые применяются в большинстве случаев для определения законов, и
закономерностей, присутствующих в исследуемой предметной области. К
данной группе относится бесчисленное множество различных методов,
поэтому, что касается их классификации, то распределить данные методы на
какие-либо группы достаточно сложно.

Таким образом, мы рассмотрели основные группы моделей и методов,

которые позволяют сделать прогноз о будущих значениях, показателях и
различных характеристиках того или иного объекта исследования, но более
подробно мы остановимся на моделях, которые задаются с помощью
уравнений, и изучим их применение для оценки волатильности финансовых
активов.

8
 1.3. Технический анализ прогнозирования

В нашей работе мы будем рассматривать модели, которые основаны на

техническом анализе прогнозирования, поэтому рассмотрим его более
подробно.

Технический анализ зародился раньше фундаментального, примерно в

конце 19 века. Технический анализ был сформирован благодаря
исследованиям таких известных личностей США, как трейдер Уильяма Ганн,
финансист Ральфа Эллиотт, журналист Чарльз Доу, финансовые аналитики
Джон Мэрфи и Роберт Пректер.

Технический анализ основан на исследовании динамики движения

рынка для прогнозирования направления изменения цен [12]. Данный способ
подразумевает анализирование объёма торгов, временных рядов цен и
различных других статистических показателей.

К самым значимым принципам фундаментального анализа относятся

следующие утверждения:

1) Во главе стоит принцип «рынок учитывает всё» [4], то есть это

означает, что факторы, относящиеся к макроэкономике и
микроэкономике уже заложены в цену и объём финансового
актива;
2) Существуют исторические циклы изменения цен, и они имею
свойство повторятся;
3) Направления движения цен на том или ином рынке определяются
в зависимости от тенденций [5];

Таким образом, технический анализ позволяет наиболее точно описать

текущую динамику цен различных финансовых активов, а также выявить

9
текущий тренд, что является одной из основных задач любого успешного
инвестора. Но точных прогнозов данный способ дать не может, собственно,
как и фундаментальный анализ, и как любой другой метод или любая другая
модель прогнозирования.

1.4. Классификация статистических методов оценки волатильности

Типы задач, которые позволяет решить технический анализ в

большинстве своём похожи на методы и модели, применяемые в
статистических исследованиях. Одна из групп методов для оценки
волатильности включает модели и приёмы дисперсионного анализа. Таким
образом, для того чтобы определить волатильность финансовых активов и
финансового рынка в целом, применяются такие методы анализа, как
дисперсионный и ковариационный. При использовании данных методов
мерой для изменения цены служит выборочное стандартное отклонение.
Данный показатель даёт возможность оценить риск изменения стоимости
количественно в определённый момент времени.

Дисперсионный метод предполагает определение зависимостей в

объёме экспериментальных данных с помощью исследования важности
различий среди средних показателей. Существует два вида дисперсионного
анализа волатильности: одномерный и многомерный, который по-другому
называется ковариационный.

Одномерный дисперсионный анализ подразумевает определение

стандартного отклонения, как самого простого статистического показателя
волатильности. Однако не стоит определять волатильность и стандартное
отклонение как синонимы, так как показатель стандартного отклонения
является лишь одной из многих характеристик такого явления, как
волатильность. На основе полученного стандартного отклонения
рассчитывается степень изменчивости цены определённого финансового
актива, а также риск приобретения данного актива.

10
 Ковариационный (многомерный) анализ волатильности предполагает,
что одно и то же явление на финансовом рынке может описываться только
одной переменной в исключительно редких случаях. Таким образом, в
дисперсионный анализ необходимо включать не один, а несколько факторов.
Использование данного анализа подразумевает исследование того, как
различные факторы могут повлиять на изменение текущей цены финансового
актива, а также их влияние друг на друга. Чтобы провести такое
исследование применяются статистические показатели, а именно ковариация
и корреляция, методы ANOVA и ANCOVA, которые помогают выяснить как
факторы зависят друг от друга, а также такой метод, как Value-at-Risk и
многие другие приёмы.

Следующая группа методов для оценки волатильности содержит в себе

разнообразные статистические авторегрессионные модели. Наиболее
известными и широко применяемыми моделями из данной группы являются
такие модели, как ARCH (Autoregressive Conditional Heteroskedasticity) и
GARCH (Generalized Autoregressive Conditional Heteroskedasticity).

Данные методы предполагают, что показатели, которые получаются

при использовании дисперсионного анализа для оценки волатильности
являются недостаточно эффективными и точными, поскольку при их расчёте
не берётся в рассмотрение такое явление, как гетероскедастичность, или
другими словами, не учитывается разнородность остатков тех или иных
параметров модели. Также, использование моделей ARCH и GARCH при
статистической оценке волатильности подразумевает, что цена,
присутствующая в данный момент времени сложилась благодаря изменениям
цен в предыдущих периодах времени, которые необходимо брать в
рассмотрение при оценивании текущего показателя изменчивости.

Более того, модель ARCH даёт возможность учитывать воздействие

нескольких значений цен, предшествующих текущей цене, при этом данное
влияние тем ниже, чем дальше исследователь уходит от текущего момента.
11
Что касается модели GARCH, то она учитывает также показатели степени
изменчивости цен, которые присутствовали в предыдущем периоде, что
значительное увеличивает шансы получения более точной и эффективной
оценки.

Применение данных методов для статистической оценки

волатильности также даёт возможность включить в анализ такое явление, как
кластеризация или по-другому «кучкование» волатильности, благодаря чему
датский экономист Тим Боллерслев разработал обобщённую
авторегрессионную модель условной гетероскедастичности, позволяющую
оценить риск изменения рынка [9].

И последняя группа методов для оценки волатильности содержит

различные рыночные индикаторы, для расчёта которых применяются не
только значения цены в различных периодах, но и объём сделок, связанный с
тем или иным финансовым активом [2]. Рассматривая аналитические задачи,
которые решаются с помощью тех или иных индикаторов, все показатели
данных индикаторов можно классифицировать на три группы. В первую
группу входят индикаторы, которые помогают определить тенденции,
присутствующие на данный момент на рынке, а также выявить направление
движения данных тенденций. Вторую группу составляют осципляторы, они
позволяют оценить на сколько быстро изменяется цена, а также в каком
направлении она движется. Более того, осципляторы помогают выявить, в
каких точках рынок или существующий тренд развернулся в
противоположную сторону. В третью группу входят индикаторы, которые
дают возможность проанализировать так называемые глубинные процессы,
присутствующие на рынке по некоторым внешним признакам, что помогает
узнать изменчивость цены того или иного финансового актива. Стоит
отметить, что все вышеперечисленные индикаторы, в какую бы группы они
не входили, рассчитываются или при использовании скользящих средних,
или при учитывании объёмов сделок по конкретному активу.

12
 1.5. Описание основных моделей оценки волатильности

В данной части работы мы подробно рассмотрим конкретные модели и

методы статистической оценки исторической волатильности финансовых
активов. Очевидно, что нам не удастся изучить все существующие модели,
однако, самые известные и широко применяемые из них будут нами
рассмотрены.

1.5.1. Модель простой исторической волатильности (SHV)

Модель простой исторической волатильности, SHV (Simple Historical

Volatility) будет первой моделью, которую мы рассмотрим. Данная модель
рассчитывается методом простой, равновзвешенной скользящей средней.
Пусть Pt – цена какого-либо финансового актива, где t – интервал времени,
который может быть обозначен, как, например, день торговой сессии. В этом
случае абсолютное изменение стоимости финансового актива (Dt) за один
день, то есть между датами t и t-1 будет рассчитываться по следующей
формуле [10] 1:

D t =Pt −Pt−1

Относительное изменение цены (Rt) или, другими словами, процентный

доход или доходность для такого же периода, то есть между датами t и t-1
рассчитывается по следующей формуле [10]:

P t−Pt −1
Rt =
P t−1

Если взять натуральный логарифм изменения цены, то мы получим

непрерывно начисляемую доходность финансового актива (rt), то есть мы
можем вывести следующую формулу [10]:

r t =ln
( )
Pt
Pt −1

1
Здесь и далее в работе используются авторские символы для обозначения, однако на методологии расчета
и на смысле показателей это никак не сказывается.
13
 Так как доходности отражают некие полезные статистические
характеристики, инвесторы предпочитают иметь дело именно с
доходностями того или иного финансового актива, а не с его
непосредственной ценой. Также, гораздо чаще используются относительные
и логарифмические доходности по причине того, что абсолютные изменения
стоимости актива не могут показать разницу между текущей ценой актива и
неким заданным уровнем цены.

Таким образом, простая историческая волатильность (σ) определяется

как среднеквадратическое отклонение доходностей (rt) финансового актива, и
рассчитывается по следующей формуле [10]:

√∑
2
T
( r t −r )
σ=
t=1 T −1

где t – интервал времени (день), T – количество торговых периодов

(количество дней) и r – среднее значение доходности за общее количество
торговых периодов (T).

Достоинством данного метода расчёта волатильности является

простота, а недостатком является тот факт, что при расчёте волатильности
изменения цен, которые происходили довольно давно имеют одинаковый вес
с изменениями цен, которые происходили в недавний промежуток времени.

1.5.2. Модель ARCH

Модель ARCH (Autoregressive Conditional Heteroskedasticity) –

авторегрессионная модель условной гетероскедастичности была предложена
американским экономистом Робертом Энглом в 1982 году.

В основе данной модели лежит правило, что каждому интервалу

времени (в большинстве случаев каждому дню) указывается вес ( ω i), при
этом чем дальше интервал времени от текущего, тем меньше его вес, это
делается для того, чтобы влияние показателей недавних торговых периодов
было сильнее, чем показателей более ранних периодов. При расчёте
14
волатильности применяются показатели за определённое количество
периодов (T), при этом сама волатильность рассчитывается для периода t
[10]:

√
T
σ t ( T )= ω0 + ∑ ω i ∙ r i−t
2

i=1

где ω 0 – стационарное значение волатильности актива, оно не связано с

торгами в последние периоды времени, r – непрерывно начисляемая
доходность финансового актива определённого интервала времени.

1
Более того, если предположить, что все веса ω i=
T −1
и

T ∙ r−2
ω 0= , то при подсчёте волатильности финансового актива мы получим
1−T
простую историческую волатильность.

1.5.3. Модель GARCH

Модель GARCH (Generalized Autoregressive Conditional

Heteroskedasticity) – обобщённая авторегрессионная модель условной
гетероскедастичности была предложена уже упомянутым датским
экономистом Тимом Боллерслевом в 1986 году.

Данная модель учитывает не только доходности финансового актива в

прошлые торговые периоды, но и значения волатильности (σ j ¿, которая была
реализована в эти предшествующие периоды (M). Также, как и с
доходностями, значениям волатильности присваивается свой вес (υ j ¿,
который также уменьшается по мере удаления от текущего момента.
Cуществует предположение, что рынок обладает «памятью» [],
следовательно, можно предположить, что текущая волатильность
финансового актива будет линейно зависима от предыдущей ей
волатильности этого же финансового актива. Таким образом, формула для
вычисления волатильности в период t будет выглядеть следующим образом:

15
 √
T M
σ t ( T , M )= ω0 + ∑ ωi ∙ r t −i+ ∑ υ j ∙ σ t− j
2 2

i=1 j=1

где ω 0, как и в предыдущей формуле, стационарное значение волатильности,

независящее от торгов в последние периоды.

Произвольное определение весов в данной формуле и тот факт, что

многие члены как в первой сумме, так и во второй не имеют явного
экономического смысла привели к тому, что применение данной формулы на
практике для расчёта текущей волатильности в большинстве случаев
является очень сложным и практически невозможным. Поэтому инвесторы,
как правило, используют упрощённый способ применения данной модели,
оставляя только первые члены каждой суммы [10]:

σ t ( 1,1 )=√ ω0 +ω 1 ∙ r t−1 +υ 1 ∙ σ t −1

2 2

В данной формуле необходимо выбирать только такие веса, чтобы их

сумма была равна одному (ω 0+ ω1 +υ 1=1). В таком случае если мы
предположим, что стационарное значение волатильности финансового актива
ω0 равно 0, то данная формула станет формулой для расчёта
экспоненциально-взвешенного скользящего среднего значения
волатильности:

√ 2
σ t= σ t−1 +
2
T +1
2 2
∙(r t −σ t −1)

где r t – доходность финансового активе в интервал времени t, σ t−1 –

волатильность финансового актива, реализованная в предыдущем периоде
времени, а T – количество торговых периодов, или по-другому, длина
выборки. При этом правило убывания влияния значения доходности с
каждым периодом начиная от текущего к предыдущему и так далее в
прошлое сохраняется.

1.5.4. Модель EWMA

16
 Модель EWMA (Exponentially Weighted Moving Average) основана на
применении экспоненциально-взвешенных скользящих средних значений,
которые позволяют определить развитие показателя волатильности. Оценка
волатильности с помощью данной модели считается более адаптивной к
резким изменениям курсов различных финансовых инструментов, которые
происходят на рынке.

Чтобы вывести формулу для расчёта волатильность по данному методу

определимся с её составляющими. Во-первых, T – некое количество
периодов, то есть доходностей того или иного финансового инструмента,
которые образуют множество. Во-вторых, r t – доходность финансового
актива, среднее значение доходности финансового актива за T периодов – это
r. Также при расчёте волатильности используется так называемый
коэффициент сглаживания ( λ ), обычно, данный показатель имеет постоянную
величину равную 0,944, но в целом, он не может быть меньше нуля или
больше единицы (0< λ>1 ¿. В зависимости от значения данного показателя
определяется сглаживание влияния на текущую оценку волатильности
значений, которые были получены в более ранние периоды по сравнению со
значениями, которые боли получены относительно недавно. Таким образом,
волатильность, исходя из данной модели, рассчитывается по следующей
формуле [3]:

√
T
σ = ( 1−λ ) ∙ ∑ λ
t −1 2
∙ ( r t −r )
t=1

При этом, полученная волатильность не является зависимой от

времени. Периоды времени только задают относительные веса для
доходностей, что даёт возможность брать во внимание только
действительное значимые показатели, и тем самым получить наиболее
эффективную оценку волатильности.

1.5.5. Модель экстремальной волатильности (HLHV)

17
 Модель экстремальной волатильности, High-Low Historical Volatility
(HLHV) была введена в практику физиком Майклом Паркинсоном в 1980
году, она рассчитывается на основе экстремальных цен финансового актива,
то есть использую максимальную (high) и минимальную (low) цены данного
актива в определённый период времени. Формула, по которой
рассчитывается волатильность выглядит следующим образом [13]:

√ ( ( ))
T 2
1 1 ht
σ= ∙∑ ∙ ln
T t=1 4 ∙ ln 2 lt

где T – количество торговых периодов, (4 ∙ ln 2 ≈ 2,775 ) – специальный

коэффициент, ht и l t – максимальная и минимальная цены финансового

актива в период времени t соответственно.

Главное преимущество данной модели состоит в том, что получаемая

оценка волатильности позволяет учесть колебания цены в каждом отдельном
периоде, например изменения цены какого-либо финансового актива,
которые произошли за день, если в качестве периода ( t) предполагается взять
один день.

Таким образом, мы рассмотрели пять моделей для расчёта

волатильности: модель простой исторической волатильность (SHV),
авторегрессионные модели условной гетероскедастичности ARCH и GARCH,
модель EWMA и модель экстремальной волатильности (HLHV).

18
 Глава 2. Практическая часть

2.1. Применение моделей на практике

Рассмотрим применение моделей, рассмотренных в теоретической

части работы, на практике, а именно рассчитаем волатильность такого
финансового актива, как акции. Для примера возьмём акции, которые
считаются одними из самых популярных в России на данный момент, –
акции ПАО Сбербанк (SBER).

Рассчитаем дневную волатильность ценных бумаг в течение 60 дней, то

есть нам необходимо рассмотреть данные за 120 торгуемых дней. Возьмём
период с 01.10.2019 по 25.03.2020, таким образом, период в шестьдесят дней
будет с 25.12.2019 по 25.03.2020, а данные с 01.10.2019 по 25.12.2019 будут
служить вспомогательными, так как они необходимы для расчётов.

2.1.1 Модель простой исторической волатильности (SHV)

Для того чтобы рассчитать волатильность акций по данной модели по

√
2
T
( r −r )
формуле σ = ∑ t , мы сделали несколько вспомогательных расчётов,
T −1
t=1

чтобы получить необходимые данные.

Во-первых, мы посчитали логарифмические доходности акций по

( )
t P
формуле r t =ln P , предварительно найдя данные о стоимости ценной
t −1

бумаги в исследуемый период времени [14].

Во-вторых, мы посчитали средние значения доходностей (r ) для всех,

необходимых нам, периодов времени.

Затем, на основе полученных данных, мы посчитали волатильность по

модели SHV (Приложение 1) и представили результаты графически
(Приложение 2).

19
 2.1.2. Модель ARCH

Для того чтобы рассчитать волатильность по данной модели, мы

определили вес для каждого дневного периода ( ω i). Согласно правилу данной
модели более ранним периодам соответствует меньший вес, чем более
поздним. Вследствие чего, мы решили задать значения весов,
соответствующих шестидесяти дням, в качестве арифметической прогрессии.
Таким образом, ω 1=α 1, ω 2=α 1+ d , ω 3=α 1+ 2∙ d и так далее, и ω 60=α 1+59 ∙ d ,

( 2 ∙ a1+ 59∙ d ) ∙ 60
S60= .
2

Затем мы нашли необходимые нам параметры α 1 и d с помощью

программы Excel. Мы использовали функцию «Поиск решений», взяв в
качестве целевой функции уравнение S60=1 и в качестве ограничений
неравенства 0< α1 <1 и 0< d< 1, чтобы арифметическая прогрессия была
возрастающей. В результате мы получили, что α =0,00002 и d=0,00056.

После чего мы определили веса для каждого из шестидесяти дней, а

также посчитали волатильность акций по формуле

√
T
σ t ( T )= ω0 + ∑ ω i ∙ r 2i−t (Приложение 3) и представили результаты графически
i=1

(Приложение 4).

2.1.3. Модель GARCH

Для расчёта волатильности акций мы использовали упрощённый

вариант данной модели, то есть мы считали по формуле
σ t ( 1,1 )=√ ω0 +ω 1 ∙ r t−1 +υ 1 ∙ σ t −1. Весовые коэффициенты при доходности (ω 1) и при
2 2

волатильности предыдущего периода (υ 1) мы определили следующим

образом: исходя из равенства ω 0+ ω1 +υ 1=1, предположим, что ω 1=0,1, υ 1=0,9 и
ω 0=0 , таким образом, показатель волатильности будет иметь наибольший

вклад в значение получаемой волатильности. В качестве первоначального

20
значения волатильности мы взяли волатильность, рассчитанную с помощью
модели простой исторической волатильности для этого же периода времени.
В результате мы посчитали волатильность акций (Приложение 5) и
представили результаты графически (Приложение 6).

2.1.4. Модель EWMA

Мы посчитали волатильность по формуле

√
T
σ = ( 1−λ ) ∙ ∑ λ ∙ ( r t −r ) , где λ=0,94 4, показатели r и r t были посчитаны нами
t −1 2

t=1

при расчёте простой исторической волатильности. Таким образом, была

найдена волатильность каждого дневного периода с помощью данной модели
(Приложение 7), а затем мы представили результаты графически
(Приложение 8).

2.1.5. Модель экстремальной волатильности (HLHV)

Для того, чтобы рассчитать волатильность, используя данную модель,

мы нашли данные о самых высоких (ht ) и самых низких (lt ) ценах акций в
каждый из дней [14]. После этого посчитали волатильность акций по

√ ( ( ))
T 2
1 1 ht
формуле σ= ∙∑ ∙ ln в каждый из шестидесяти дней.
T t=1 4 ∙ ln 2 lt

(Приложение 9), и представили полученные результаты графически

(Приложение 10).

2.2. Выводы

Чтобы сравнить результаты расчётов волатильности с помощью

различных моделей, мы объединили полученные показатели волатильности в
одну таблицу (Таблица 1), а также представили результаты на одном графике
(Рисунок 1).

Таблица 1

21
 Дневная волатильность акций ПАО "Сбербанк" (SBER)
c 25.12.2019 по 25.03.2020

Дата T SHV ARCH GARCH EWMA HLHV

25.12.2019 1 0,92% 4,40% 0,89% 1,08% 0,94%
26.12.2019 2 0,90% 4,35% 0,84% 0,93% 0,94%
27.12.2019 3 0,92% 4,23% 0,80% 1,05% 0,94%
30.12.2019 4 0,92% 4,23% 0,90% 1,10% 0,95%
03.01.2020 5 0,88% 3,98% 0,92% 0,74% 0,94%
06.01.2020 6 0,88% 3,89% 0,87% 0,65% 0,94%
08.01.2020 7 0,91% 3,76% 0,84% 0,73% 0,95%
09.01.2020 8 0,91% 3,79% 1,03% 0,83% 0,95%
10.01.2020 9 0,91% 3,10% 0,98% 0,88% 0,95%
13.01.2020 10 0,92% 2,53% 0,93% 0,82% 0,96%
14.01.2020 11 0,94% 2,48% 1,02% 0,93% 0,97%
15.01.2020 12 0,95% 1,89% 1,05% 1,03% 0,97%
16.01.2020 13 0,94% 1,62% 1,05% 1,07% 0,97%
17.01.2020 14 0,97% 1,63% 1,01% 1,15% 0,98%
20.01.2020 15 0,98% 1,64% 1,13% 1,28% 0,99%
21.01.2020 16 0,95% 1,52% 1,17% 1,07% 0,99%
22.01.2020 17 0,95% 1,49% 1,13% 1,20% 1,00%
23.01.2020 18 0,95% 1,31% 1,08% 1,19% 1,00%
24.01.2020 19 0,94% 1,19% 1,08% 1,17% 0,99%
27.01.2020 20 1,06% 1,14% 1,05% 1,09% 0,99%
28.01.2020 21 1,06% 1,07% 1,59% 1,07% 0,99%
29.01.2020 22 1,06% 1,09% 1,53% 1,20% 0,98%
30.01.2020 23 1,04% 1,11% 1,48% 0,78% 0,95%
31.01.2020 24 1,07% 1,12% 1,44% 0,85% 0,97%
03.02.2020 25 1,07% 1,13% 1,51% 0,87% 0,97%
04.02.2020 26 1,07% 1,14% 1,45% 0,98% 0,97%
05.02.2020 27 1,06% 1,15% 1,38% 0,84% 0,97%
06.02.2020 28 1,06% 1,16% 1,31% 0,77% 0,98%
07.02.2020 29 1,06% 1,18% 1,30% 0,84% 0,99%
10.02.2020 30 1,07% 1,19% 1,27% 0,86% 0,98%
11.02.2020 31 1,06% 1,19% 1,23% 0,87% 1,00%
12.02.2020 32 1,06% 1,20% 1,20% 0,83% 1,00%
13.02.2020 33 1,05% 1,19% 1,14% 0,79% 1,00%
14.02.2020 34 1,05% 1,21% 1,08% 0,65% 0,99%
17.02.2020 35 1,05% 1,22% 1,06% 0,64% 0,99%
18.02.2020 36 1,05% 1,23% 1,01% 0,63% 0,99%
19.02.2020 37 1,05% 1,19% 0,99% 0,69% 0,99%
20.02.2020 38 1,05% 1,19% 0,94% 0,76% 0,98%
21.02.2020 39 1,05% 1,19% 0,90% 0,09% 0,99%
22
25.02.2020 40 1,08% 1,20% 0,86% 0,07% 0,99%
26.02.2020 41 1,11% 0,98% 1,08% 0,70% 1,02%
27.02.2020 42 1,19% 0,99% 1,25% 0,77% 1,04%
28.02.2020 43 1,30% 0,98% 1,56% 0,82% 1,06%
02.03.2020 44 1,33% 0,99% 1,95% 0,93% 1,30%
03.03.2020 45 1,40% 1,00% 1,98% 0,74% 1,31%
04.03.2020 46 1,40% 0,98% 2,20% 0,83% 1,31%
05.03.2020 47 1,41% 0,93% 2,10% 0,96% 1,33%
06.03.2020 48 1,57% 0,95% 2,03% 0,84% 1,40%
10.03.2020 49 1,93% 0,94% 2,59% 0,93% 1,77%
11.03.2020 50 1,97% 0,93% 3,74% 1,04% 1,83%
12.03.2020 51 2,33% 0,90% 3,70% 1,08% 1,93%
13.03.2020 52 2,84% 0,91% 4,74% 1,00% 2,20%
16.03.2020 53 2,85% 0,92% 5,91% 1,13% 2,24%
17.03.2020 54 2,94% 0,86% 5,63% 1,33% 2,39%
18.03.2020 55 3,01% 0,87% 5,69% 1,55% 2,43%
19.03.2020 56 3,21% 0,89% 5,66% 1,12% 2,53%
20.03.2020 57 3,25% 0,88% 5,99% 1,19% 2,55%
23.03.2020 58 3,34% 0,85% 5,77% 1,39% 2,58%
24.03.2020 59 3,40% 0,87% 5,85% 1,05% 2,59%
25.03.2020 60 3,41% 0,89% 5,77% 1,20% 2,69%

Рисунок 1

Графическое представление полученных показателей волатильности

23
 Дневная волатильность акций ПАО "Сбербанк" (SBER)
c 25.12.2019 по 25.03.2020
7.00%

6.00%

5.00%

4.00%

3.00%

2.00%

1.00%

0.00%
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45 47 49 51 53 55 57 59

SHV ARCH GARCH EWMA HLHV

Таким образом, проанализировав и сравнив полученные значения

дневной волатильности ПАО «Сбербанк» (SBER) c 25.12.2019 по 25.03.2020,
а также изучив графическое представление результатов, мы можем сделать
следующие выводы:

1. Чем большие колебания наблюдаются в значениях доходностей акций,

тем больше значение волатильности;
2. В значениях волатильности наблюдаются не особо сильные колебания
от периода к периоду так как размах наблюдаемой выборки в 60 дней
довольно велик для измерения дневной волатильности, если бы
рассматриваемый период был, допустим, в несколько раз меньше,
тогда колебания в показателях волатильности были бы более
заметными;
3. Модель простой исторической волатильности (SHV) и модель
экстремальной волатильности (HLHV) принимают значения, которые
являются довольно сглаженными, а также они не полностью отражают
изменение доходностей акций на выбранном периоде времени;

24
 4. Авторегрессионные модели условной гетероскедастичности ARCH и
GARCH принимают совершенно противоположные значения, так как
во второй модели, в отличие от первой учитывается вклад
волатильности за предшествующий период, что оказывает
значительное влияние на результат;
5. Модель EWMA наиболее точно отражается изменения доходности
акций, также здесь учитывается правило о том, что значения более
отдалённых периодов от текущего момента имеют меньший вклад, чем
значения недавних периодов, благодаря коэффициенту сглаживания.

Таким образом, мы можем сделать вывод о том, что каждая модель по-
своему учитывает те или иные факторы, отражает доходность акций и,
соответственно, значения волатильности зависят от того, какую модель будет
использовать инвестор, то есть применение той или иной модели приводит к
разным показателям волатильности.

Заключение

В ходе написания данной исследовательской работы мы определили

понятие «волатильность», рассмотрели методы и модели прогнозирования в
целом, узнали что такое технический анализ, провели классификацию
статистических методов оценки волатильности, изучили основные модели
оценки исторической волатильности финансовых активов, а также
применили данные модели на практике, на примере расчёта дневной
волатильности акций ПАО «Сбербанк» (SBER) с 25.12.2019 по 25.03.2020,
представив полученные показатели графически, проанализировав результаты
и сделав соответствующие выводы.

25
 Таким образом мы решили все, поставленные перед нами, задачи,
вследствие чего цель работы была успешно достигнута, а именно мы изучили
существующие статистические методы оценки волатильности финансовых
активов, проведя их классификацию, и рассмотрели применение основных
моделей на практике, на примере акций ПАО «Сбербанк» (SBER).

Проанализировав, как теоретическую, так и практическую часть нашей

работы, мы пришли к выводу о том, что выдвинутая гипотеза является
достоверной лишь на половину: классифицировать статистические модели
оценки волатильности финансовых активов на несколько групп определенно
возможно, однако, не все модели приводят к одному и тому же результату, то
есть выбор модели влияет на получаемую оценку волатильности.

Однако данная область знаний активно развивается, инвесторы,

экономисты и финансисты пытаются придумать всё более эффективные
способы оценки волатильности, чтобы сделать наиболее точные прогнозы
относительно различных финансовых активов, а также наиболее корректно
оценить риск своего инвестиционного портфеля.

Список использованной литературы

1. Вайн Саймон. Опционы: Полный курс для профессионалов. – М.: Альпина

Паблишер, 2003. – 415с.
2. Колби Р.В., Мейерс Т.А. Энциклопедия технических индикаторов рынка:
Пер. с англ. – М.: Издательский Дом «Альпина», 1998. – 581 с.
3. Куперин, Ю.А. Статья: Линейное и нелинейное моделирование
статистических свойств доходностей финансовых инструментов,
№1-1. 2010.
4. Мерфи Джон Дж. Технический анализ фьючерсных рынков. Теория и
практика – М.: «Альпина Паблишер», 2011.
26
 5. Мерфи Джон Дж. Межрыночный анализ. Принципы взаимодействия
финансовых рынков. М.: «Альпина Паблишер», 2012.
6. Мюллер, В.К. Англо-русский словарь. – М.: «Престиж Книга»,
2007. – 736 с.
7. Тихонов, Э.Е. Прогнозирование в условиях рынка. Невинномысск, 2006.
8. Шарп, У. Ф. Инвестиции: Учебник для студ. вузов по экономическим
специальностям: Перевод с английского / У.Ф.Шарп, Г.Дж.Александер,
Дж.В.Бэйли. – М.: ИНФРА-М, 2006. – 1028с.
9. Bollerslev, Tim. Generalized Autoregressive Conditional Heteroskedasticity //
Journal of Econometrics 31. 1986. P. 307 – 327.
10. Hull, John C. Risk Management and Financial Institutions // The Wiley Finance
Series // Wiley. 2015. P. 111 – 141.
11. Mandelbrot B. / / J.Business 36, 1963
12. Murphy, John J. Technical analysis of the futures markets. 1999.
13. Parkinson M. The extreme value method for estimating the variance of the rate
of return // Journal of Business, vol. 53, по. 1. 1980. P. 61–65.
14. Данные об истории котировок акций ПАО «Сбербанк» (SBER) [сайт].
URL: https://ru.investing.com/equities/sberbank_rts-historical-data
(дата обращения: 25.03.2020).

Приложения

Приложение 1

Расчёт дневной волатильности акций ПАО "Сбербанк" (SBER) c 25.12.2019

по 25.03.2020 по модели простой исторической волатильности (SHV)

Дата T Pt Pt-1 rt r σ
25.12.2019 1 248,04 248,67 -0,003 0,00151 0,92%
26.12.2019 2 248,24 248,04 0,001 0,00175 0,90%
27.12.2019 3 252,06 248,24 0,015 0,00196 0,92%
30.12.2019 4 254,75 252,06 0,011 0,00224 0,92%
03.01.2020 5 255,00 254,75 0,001 0,00190 0,88%
06.01.2020 6 253,90 255,00 -0,004 0,00194 0,88%
08.01.2020 7 259,15 253,90 0,020 0,00216 0,91%
27
09.01.2020 8 257,99 259,15 -0,004 0,00202 0,91%
10.01.2020 9 258,19 257,99 0,001 0,00190 0,91%
13.01.2020 10 262,40 258,19 0,016 0,00231 0,92%
14.01.2020 11 259,05 262,40 -0,013 0,00203 0,94%
15.01.2020 12 256,31 259,05 -0,011 0,00173 0,95%
16.01.2020 13 257,51 256,31 0,005 0,00163 0,94%
17.01.2020 14 262,50 257,51 0,019 0,00181 0,97%
20.01.2020 15 266,28 262,50 0,014 0,00209 0,98%
21.01.2020 16 268,06 266,28 0,007 0,00186 0,95%
22.01.2020 17 266,54 268,06 -0,006 0,00178 0,95%
23.01.2020 18 263,73 266,54 -0,011 0,00138 0,95%
24.01.2020 19 265,49 263,73 0,007 0,00168 0,94%
27.01.2020 20 255,32 265,49 -0,039 0,00124 1,06%
28.01.2020 21 257,70 255,32 0,009 0,00118 1,06%
29.01.2020 22 259,94 257,70 0,009 0,00136 1,06%
30.01.2020 23 257,31 259,94 -0,010 0,00152 1,04%
31.01.2020 24 252,20 257,31 -0,020 0,00108 1,07%
03.02.2020 25 253,99 252,20 0,007 0,00105 1,07%
04.02.2020 26 255,40 253,99 0,006 0,00110 1,07%
05.02.2020 27 255,20 255,40 -0,001 0,00085 1,06%
06.02.2020 28 252,11 255,20 -0,012 0,00081 1,06%
07.02.2020 29 254,30 252,11 0,009 0,00086 1,06%
10.02.2020 30 252,26 254,30 -0,008 0,00084 1,07%
11.02.2020 31 254,50 252,26 0,009 0,00117 1,06%
12.02.2020 32 254,50 254,50 0,000 0,00115 1,06%
13.02.2020 33 253,89 254,50 -0,002 0,00094 1,05%
14.02.2020 34 251,75 253,89 -0,008 0,00097 1,05%
17.02.2020 35 251,36 251,75 -0,002 0,00082 1,05%
18.02.2020 36 249,20 251,36 -0,009 0,00078 1,05%
19.02.2020 37 249,70 249,20 0,002 0,00086 1,05%
20.02.2020 38 250,15 249,70 0,002 0,00082 1,05%
21.02.2020 39 250,80 250,15 0,003 0,00087 1,05%
25.02.2020 40 245,19 250,80 -0,023 0,00071 1,08%
26.02.2020 41 250,80 245,19 0,023 0,00114 1,11%
27.02.2020 42 242,88 250,80 -0,032 0,00054 1,19%
28.02.2020 43 233,36 242,88 -0,040 -0,00004 1,30%
02.03.2020 44 228,17 233,36 -0,022 -0,00040 1,33%
03.03.2020 45 236,63 228,17 0,036 0,00043 1,40%
04.03.2020 46 235,27 236,63 -0,006 0,00026 1,40%
05.03.2020 47 232,33 235,27 -0,013 0,00004 1,41%
06.03.2020 48 219,99 232,33 -0,055 -0,00111 1,57%
10.03.2020 49 201,20 219,99 -0,089 -0,00273 1,93%
11.03.2020 50 194,53 201,20 -0,034 -0,00336 1,97%
28
12.03.2020 51 175,91 194,53 -0,101 -0,00520 2,33%
13.03.2020 52 198,60 175,91 0,121 -0,00323 2,84%
16.03.2020 53 195,85 198,60 -0,014 -0,00347 2,85%
17.03.2020 54 184,01 195,85 -0,062 -0,00453 2,94%
18.03.2020 55 174,27 184,01 -0,054 -0,00544 3,01%
19.03.2020 56 189,51 174,27 0,084 -0,00436 3,21%
20.03.2020 57 195,69 189,51 0,032 -0,00368 3,25%
23.03.2020 58 183,37 195,69 -0,065 -0,00481 3,34%
24.03.2020 59 192,64 183,37 0,049 -0,00426 3,40%
25.03.2020 60 188,08 192,64 -0,024 -0,00465 3,41%

Приложение 2

Дневная волатильность акций ПАО "Сбербанк" (SBER) c 25.12.2019 по

25.03.2020 по модели простой исторической волатильности (SHV)
4.00%

3.50%

3.00%

2.50%

2.00%

1.50%

1.00%

0.50%

0.00%
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Приложение 3

Расчёт дневной волатильности акций ПАО "Сбербанк" (SBER) c 25.12.2019

по 25.03.2020 по модели ARCH

Дата t Pt Pt-1 rt i ωi σ
25.12.2019 1 248,04 248,67 -0,003 1 0,00002 4,40%
26.12.2019 2 248,24 248,04 0,001 2 0,00058 4,35%
27.12.2019 3 252,06 248,24 0,015 3 0,00115 4,23%
30.12.2019 4 254,75 252,06 0,011 4 0,00171 4,23%
03.01.2020 5 255,00 254,75 0,001 5 0,00228 3,98%
06.01.2020 6 253,90 255,00 -0,004 6 0,00284 3,89%
08.01.2020 7 259,15 253,90 0,020 7 0,00341 3,76%

29
09.01.2020 8 257,99 259,15 -0,004 8 0,00397 3,79%
10.01.2020 9 258,19 257,99 0,001 9 0,00453 3,10%
13.01.2020 10 262,40 258,19 0,016 10 0,0051 2,53%
14.01.2020 11 259,05 262,40 -0,013 11 0,00566 2,48%
15.01.2020 12 256,31 259,05 -0,011 12 0,00623 1,89%
16.01.2020 13 257,51 256,31 0,005 13 0,00679 1,62%
17.01.2020 14 262,50 257,51 0,019 14 0,00736 1,63%
20.01.2020 15 266,28 262,50 0,014 15 0,00792 1,64%
21.01.2020 16 268,06 266,28 0,007 16 0,00848 1,52%
22.01.2020 17 266,54 268,06 -0,006 17 0,00905 1,49%
23.01.2020 18 263,73 266,54 -0,011 18 0,00961 1,31%
24.01.2020 19 265,49 263,73 0,007 19 0,01018 1,19%
27.01.2020 20 255,32 265,49 -0,039 20 0,01074 1,14%
28.01.2020 21 257,70 255,32 0,009 21 0,01131 1,07%
29.01.2020 22 259,94 257,70 0,009 22 0,01187 1,09%
30.01.2020 23 257,31 259,94 -0,010 23 0,01243 1,11%
31.01.2020 24 252,20 257,31 -0,020 24 0,013 1,12%
03.02.2020 25 253,99 252,20 0,007 25 0,01356 1,13%
04.02.2020 26 255,40 253,99 0,006 26 0,01413 1,14%
05.02.2020 27 255,20 255,40 -0,001 27 0,01469 1,15%
06.02.2020 28 252,11 255,20 -0,012 28 0,01526 1,16%
07.02.2020 29 254,30 252,11 0,009 29 0,01582 1,18%
10.02.2020 30 252,26 254,30 -0,008 30 0,01638 1,19%
11.02.2020 31 254,50 252,26 0,009 31 0,01695 1,19%
12.02.2020 32 254,50 254,50 0,000 32 0,01751 1,20%
13.02.2020 33 253,89 254,50 -0,002 33 0,01808 1,19%
14.02.2020 34 251,75 253,89 -0,008 34 0,01864 1,21%
17.02.2020 35 251,36 251,75 -0,002 35 0,01921 1,22%
18.02.2020 36 249,20 251,36 -0,009 36 0,01977 1,23%
19.02.2020 37 249,70 249,20 0,002 37 0,02033 1,19%
20.02.2020 38 250,15 249,70 0,002 38 0,0209 1,19%
21.02.2020 39 250,80 250,15 0,003 39 0,02146 1,19%
25.02.2020 40 245,19 250,80 -0,023 40 0,02203 1,20%
26.02.2020 41 250,80 245,19 0,023 41 0,02259 0,98%
27.02.2020 42 242,88 250,80 -0,032 42 0,02316 0,99%
28.02.2020 43 233,36 242,88 -0,040 43 0,02372 0,98%
02.03.2020 44 228,17 233,36 -0,022 44 0,02429 0,99%
03.03.2020 45 236,63 228,17 0,036 45 0,02485 1,00%
04.03.2020 46 235,27 236,63 -0,006 46 0,02541 0,98%
05.03.2020 47 232,33 235,27 -0,013 47 0,02598 0,93%
06.03.2020 48 219,99 232,33 -0,055 48 0,02654 0,95%
10.03.2020 49 201,20 219,99 -0,089 49 0,02711 0,94%
11.03.2020 50 194,53 201,20 -0,034 50 0,02767 0,93%
30
 12.03.2020 51 175,91 194,53 -0,101 51 0,02824 0,90%
13.03.2020 52 198,60 175,91 0,121 52 0,0288 0,91%
16.03.2020 53 195,85 198,60 -0,014 53 0,02936 0,92%
17.03.2020 54 184,01 195,85 -0,062 54 0,02993 0,86%
18.03.2020 55 174,27 184,01 -0,054 55 0,03049 0,87%
19.03.2020 56 189,51 174,27 0,084 56 0,03106 0,89%
20.03.2020 57 195,69 189,51 0,032 57 0,03162 0,88%
23.03.2020 58 183,37 195,69 -0,065 58 0,03219 0,85%
24.03.2020 59 192,64 183,37 0,049 59 0,03275 0,87%
25.03.2020 60 188,08 192,64 -0,024 60 0,03331 0,89%

Приложение 4

Дневная волатильность акций ПАО "Сбербанк" (SBER)

c 25.12.2019 по 25.03.2020 по модели ARCH
5.00%

4.50%

4.00%

3.50%

3.00%

2.50%

2.00%

1.50%

1.00%

0.50%

0.00%
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Приложение 5

Расчёт дневной волатильности акций ПАО "Сбербанк" (SBER) c 25.12.2019

по 25.03.2020 по модели GARCH

Дата T Pt Pt-1 rt σ
25.12.2019 1 248,04 248,67 -0,003 0,89%
26.12.2019 2 248,24 248,04 0,001 0,84%
27.12.2019 3 252,06 248,24 0,015 0,80%
30.12.2019 4 254,75 252,06 0,011 0,90%
03.01.2020 5 255,00 254,75 0,001 0,92%
31
06.01.2020 6 253,90 255,00 -0,004 0,87%
08.01.2020 7 259,15 253,90 0,020 0,84%
09.01.2020 8 257,99 259,15 -0,004 1,03%
10.01.2020 9 258,19 257,99 0,001 0,98%
13.01.2020 10 262,40 258,19 0,016 0,93%
14.01.2020 11 259,05 262,40 -0,013 1,02%
15.01.2020 12 256,31 259,05 -0,011 1,05%
16.01.2020 13 257,51 256,31 0,005 1,05%
17.01.2020 14 262,50 257,51 0,019 1,01%
20.01.2020 15 266,28 262,50 0,014 1,13%
21.01.2020 16 268,06 266,28 0,007 1,17%
22.01.2020 17 266,54 268,06 -0,006 1,13%
23.01.2020 18 263,73 266,54 -0,011 1,08%
24.01.2020 19 265,49 263,73 0,007 1,08%
27.01.2020 20 255,32 265,49 -0,039 1,05%
28.01.2020 21 257,70 255,32 0,009 1,59%
29.01.2020 22 259,94 257,70 0,009 1,53%
30.01.2020 23 257,31 259,94 -0,010 1,48%
31.01.2020 24 252,20 257,31 -0,020 1,44%
03.02.2020 25 253,99 252,20 0,007 1,51%
04.02.2020 26 255,40 253,99 0,006 1,45%
05.02.2020 27 255,20 255,40 -0,001 1,38%
06.02.2020 28 252,11 255,20 -0,012 1,31%
07.02.2020 29 254,30 252,11 0,009 1,30%
10.02.2020 30 252,26 254,30 -0,008 1,27%
11.02.2020 31 254,50 252,26 0,009 1,23%
12.02.2020 32 254,50 254,50 0,000 1,20%
13.02.2020 33 253,89 254,50 -0,002 1,14%
14.02.2020 34 251,75 253,89 -0,008 1,08%
17.02.2020 35 251,36 251,75 -0,002 1,06%
18.02.2020 36 249,20 251,36 -0,009 1,01%
19.02.2020 37 249,70 249,20 0,002 0,99%
20.02.2020 38 250,15 249,70 0,002 0,94%
21.02.2020 39 250,80 250,15 0,003 0,90%
25.02.2020 40 245,19 250,80 -0,023 0,86%
26.02.2020 41 250,80 245,19 0,023 1,08%
27.02.2020 42 242,88 250,80 -0,032 1,25%
28.02.2020 43 233,36 242,88 -0,040 1,56%
02.03.2020 44 228,17 233,36 -0,022 1,95%
03.03.2020 45 236,63 228,17 0,036 1,98%
04.03.2020 46 235,27 236,63 -0,006 2,20%
05.03.2020 47 232,33 235,27 -0,013 2,10%
06.03.2020 48 219,99 232,33 -0,055 2,03%
32
 10.03.2020 49 201,20 219,99 -0,089 2,59%
11.03.2020 50 194,53 201,20 -0,034 3,74%
12.03.2020 51 175,91 194,53 -0,101 3,70%
13.03.2020 52 198,60 175,91 0,121 4,74%
16.03.2020 53 195,85 198,60 -0,014 5,91%
17.03.2020 54 184,01 195,85 -0,062 5,63%
18.03.2020 55 174,27 184,01 -0,054 5,69%
19.03.2020 56 189,51 174,27 0,084 5,66%
20.03.2020 57 195,69 189,51 0,032 5,99%
23.03.2020 58 183,37 195,69 -0,065 5,77%
24.03.2020 59 192,64 183,37 0,049 5,85%
25.03.2020 60 188,08 192,64 -0,024 5,77%

Приложение 6

Дневная волатильность акций ПАО "Сбербанк" (SBER)

c 25.12.2019 по 25.03.2020 по модели GARCH
7.00%

6.00%

5.00%

4.00%

3.00%

2.00%

1.00%

0.00%
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Приложение 7

Расчёт дневной волатильности акций ПАО "Сбербанк" (SBER) c 25.12.2019

по 25.03.2020 по модели EWMA

Дата t Pt Pt-1 rt r σ
25.12.2019 1 248,04 248,67 -0,003 0,00151 1,08%
26.12.2019 2 248,24 248,04 0,001 0,00175 0,93%
27.12.2019 3 252,06 248,24 0,015 0,00196 1,05%
33
30.12.2019 4 254,75 252,06 0,011 0,00224 1,10%
03.01.2020 5 255,00 254,75 0,001 0,00190 0,74%
06.01.2020 6 253,90 255,00 -0,004 0,00194 0,65%
08.01.2020 7 259,15 253,90 0,020 0,00216 0,73%
09.01.2020 8 257,99 259,15 -0,004 0,00202 0,83%
10.01.2020 9 258,19 257,99 0,001 0,00190 0,88%
13.01.2020 10 262,40 258,19 0,016 0,00231 0,82%
14.01.2020 11 259,05 262,40 -0,013 0,00203 0,93%
15.01.2020 12 256,31 259,05 -0,011 0,00173 1,03%
16.01.2020 13 257,51 256,31 0,005 0,00163 1,07%
17.01.2020 14 262,50 257,51 0,019 0,00181 1,15%
20.01.2020 15 266,28 262,50 0,014 0,00209 1,28%
21.01.2020 16 268,06 266,28 0,007 0,00186 1,07%
22.01.2020 17 266,54 268,06 -0,006 0,00178 1,20%
23.01.2020 18 263,73 266,54 -0,011 0,00138 1,19%
24.01.2020 19 265,49 263,73 0,007 0,00168 1,17%
27.01.2020 20 255,32 265,49 -0,039 0,00124 1,09%
28.01.2020 21 257,70 255,32 0,009 0,00118 1,07%
29.01.2020 22 259,94 257,70 0,009 0,00136 1,20%
30.01.2020 23 257,31 259,94 -0,010 0,00152 0,78%
31.01.2020 24 252,20 257,31 -0,020 0,00108 0,85%
03.02.2020 25 253,99 252,20 0,007 0,00105 0,87%
04.02.2020 26 255,40 253,99 0,006 0,00110 0,98%
05.02.2020 27 255,20 255,40 -0,001 0,00085 0,84%
06.02.2020 28 252,11 255,20 -0,012 0,00081 0,77%
07.02.2020 29 254,30 252,11 0,009 0,00086 0,84%
10.02.2020 30 252,26 254,30 -0,008 0,00084 0,86%
11.02.2020 31 254,50 252,26 0,009 0,00117 0,87%
12.02.2020 32 254,50 254,50 0,000 0,00115 0,83%
13.02.2020 33 253,89 254,50 -0,002 0,00094 0,79%
14.02.2020 34 251,75 253,89 -0,008 0,00097 0,65%
17.02.2020 35 251,36 251,75 -0,002 0,00082 0,64%
18.02.2020 36 249,20 251,36 -0,009 0,00078 0,63%
19.02.2020 37 249,70 249,20 0,002 0,00086 0,69%
20.02.2020 38 250,15 249,70 0,002 0,00082 0,76%
21.02.2020 39 250,80 250,15 0,003 0,00087 0,09%
25.02.2020 40 245,19 250,80 -0,023 0,00071 0,07%
26.02.2020 41 250,80 245,19 0,023 0,00114 0,70%
27.02.2020 42 242,88 250,80 -0,032 0,00054 0,77%
28.02.2020 43 233,36 242,88 -0,040 -0,00004 0,82%
02.03.2020 44 228,17 233,36 -0,022 -0,00040 0,93%
03.03.2020 45 236,63 228,17 0,036 0,00043 0,74%
04.03.2020 46 235,27 236,63 -0,006 0,00026 0,83%
34
05.03.2020 47 232,33 235,27 -0,013 0,00004 0,96%
06.03.2020 48 219,99 232,33 -0,055 -0,00111 0,84%
10.03.2020 49 201,20 219,99 -0,089 -0,00273 0,93%
11.03.2020 50 194,53 201,20 -0,034 -0,00336 1,04%
12.03.2020 51 175,91 194,53 -0,101 -0,00520 1,08%
13.03.2020 52 198,60 175,91 0,121 -0,00323 1,00%
16.03.2020 53 195,85 198,60 -0,014 -0,00347 1,13%
17.03.2020 54 184,01 195,85 -0,062 -0,00453 1,33%
18.03.2020 55 174,27 184,01 -0,054 -0,00544 1,55%
19.03.2020 56 189,51 174,27 0,084 -0,00436 1,12%
20.03.2020 57 195,69 189,51 0,032 -0,00368 1,19%
23.03.2020 58 183,37 195,69 -0,065 -0,00481 1,39%
24.03.2020 59 192,64 183,37 0,049 -0,00426 1,05%
25.03.2020 60 188,08 192,64 -0,024 -0,00465 1,20%

Приложение 8

Дневная волатильность акций ПАО "Сбербанк" (SBER)

c 25.12.2019 по 25.03.2020 по модели EWMA
1.80%

1.60%

1.40%

1.20%

1.00%

0.80%

0.60%

0.40%

0.20%

0.00%
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

Приложение 9

Расчёт дневной волатильности акций ПАО "Сбербанк" (SBER) c 25.12.2019

по 25.03.2020 по модели экстремальной волатильности (HLHV)

Дата T Pt ht lt σ
25.12.2019 1 248,04 249,30 247,11 0,94%

35
26.12.2019 2 248,24 249,24 246,71 0,94%
27.12.2019 3 252,06 252,95 248,55 0,94%
30.12.2019 4 254,75 256,00 250,73 0,95%
03.01.2020 5 255,00 258,19 253,70 0,94%
06.01.2020 6 253,90 254,84 251,40 0,94%
08.01.2020 7 259,15 259,15 253,03 0,95%
09.01.2020 8 257,99 261,76 257,01 0,95%
10.01.2020 9 258,19 259,25 256,88 0,95%
13.01.2020 10 262,40 262,40 257,15 0,96%
14.01.2020 11 259,05 263,22 258,62 0,97%
15.01.2020 12 256,31 258,91 254,21 0,97%
16.01.2020 13 257,51 259,51 256,10 0,97%
17.01.2020 14 262,50 262,82 257,75 0,98%
20.01.2020 15 266,28 266,97 261,80 0,99%
21.01.2020 16 268,06 268,90 263,02 0,99%
22.01.2020 17 266,54 270,80 265,50 1,00%
23.01.2020 18 263,73 266,89 262,24 1,00%
24.01.2020 19 265,49 267,50 264,21 0,99%
27.01.2020 20 255,32 262,10 255,32 0,99%
28.01.2020 21 257,70 258,84 254,10 0,99%
29.01.2020 22 259,94 261,57 257,61 0,98%
30.01.2020 23 257,31 258,69 255,27 0,95%
31.01.2020 24 252,20 259,20 252,17 0,97%
03.02.2020 25 253,99 254,96 251,10 0,97%
04.02.2020 26 255,40 257,38 252,90 0,97%
05.02.2020 27 255,20 257,66 253,14 0,97%
06.02.2020 28 252,11 258,00 251,86 0,98%
07.02.2020 29 254,30 254,30 248,73 0,99%
10.02.2020 30 252,26 255,73 252,07 0,98%
11.02.2020 31 254,50 259,77 253,00 1,00%
12.02.2020 32 254,50 255,49 252,31 1,00%
13.02.2020 33 253,89 255,18 252,50 1,00%
14.02.2020 34 251,75 254,40 251,40 0,99%
17.02.2020 35 251,36 253,10 250,13 0,99%
18.02.2020 36 249,20 250,44 247,57 0,99%
19.02.2020 37 249,70 250,68 247,95 0,99%
20.02.2020 38 250,15 252,17 249,13 0,98%
21.02.2020 39 250,80 251,49 247,24 0,99%
25.02.2020 40 245,19 249,00 245,17 0,99%
26.02.2020 41 250,80 251,21 243,22 1,02%
27.02.2020 42 242,88 248,98 242,00 1,04%
28.02.2020 43 233,36 239,00 231,00 1,06%
02.03.2020 44 228,17 241,00 218,86 1,30%
36
03.03.2020 45 236,63 239,00 232,28 1,31%
04.03.2020 46 235,27 236,70 232,62 1,31%
05.03.2020 47 232,33 238,72 230,64 1,33%
06.03.2020 48 219,99 229,20 216,67 1,40%
10.03.2020 49 201,20 212,74 184,86 1,77%
11.03.2020 50 194,53 204,33 192,05 1,83%
12.03.2020 51 175,91 187,87 173,14 1,93%
13.03.2020 52 198,60 199,52 174,30 2,20%
16.03.2020 53 195,85 196,70 186,00 2,24%
17.03.2020 54 184,01 204,78 183,80 2,39%
18.03.2020 55 174,27 182,20 172,15 2,43%
19.03.2020 56 189,51 190,15 173,06 2,53%
20.03.2020 57 195,69 201,86 192,05 2,55%
23.03.2020 58 183,37 190,99 182,10 2,58%
24.03.2020 59 192,64 195,00 189,10 2,59%
25.03.2020 60 188,08 201,00 182,32 2,69%

Приложение 10

Дневная волатильность акций ПАО "Сбербанк" (SBER) c 25.12.2019 по

25.03.2020 по модели экстремальной волатильности (HLHV)
3.00%

2.50%

2.00%

1.50%

1.00%

0.50%

0.00%
1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58

37