СAPM – Capital Asset Pricing Model
“Количественные финансы”

Салихов Марсель (marcel.salikhov@gmail.com)

2017-02-13

Цели лекции

CAPM

СAPM – возникновение

Основополагающая идея CAPM

Риск-премия бумаги обусловлена вкладом данной ценной бумаги в общий риск эффективно диверсифицированного портфеля.

Это базовая идея CAPM!

Допущения

CAPM строится с представления о том, какие бы были премии за риск для акций, если выполняются следующие допущения:

  1. Цены находятся в равновесии. Для каждой бумаги спрос равен предложению.
  2. Все участники рынка имеют одинаковые прогнозы для ожидаемых значений доходности и риска. Следовательно, они вкладывают свои средства в рискованные активы таким образом, что в итоге сосредотачивают их в своих портфелях в одних и тех же пропорциях.
  3. Все участники выбирают оптимальные портфели по Марковицу, исходя принципов эффективной диверсификации. Это означает, что все инвесторы имеют тангенциальный портфель рисковых активов, а также безрисковый актив.
  4. Рынок дает получить дополнительную доходность за риск, который нельзя избежать, но на рынке нет вознаграждения за риск, который связан с неэффективным выбором портфеля. Риск премии для отдельной бумаги связано с не с риском самой бумаги непосредственно, а ее вкладом в риск эффективного портфеля.

Исходя из допущения №3, следует, что рыночной портфель является апроксимацией тангенциального портфеля.

Рыночный портфель (market portfolio)

Важно: CAPM соблюдается, если верны допущения

Capital Market Line (CML)

capital market line связывает дополнительную ожидаемую доходность эффективного портфеля и его риск.

Ожидаемая избыточная доходность – это ожидаемая доходность минус безрисковая ставка, она также называется риск-премия.

\[r_P = r_f + \frac{r_M - r_f}{\sigma_M}\sigma_P \]

где \(r_P\) – это доходность данного эффективного портфеля (сочетание рыночного портфеля и безрискового актива),

\(r_f\) – безрисковая ставка;

\(r_M\) – ожидаемая доходность рыночного портфеля

\(\sigma_M\) – стандартное отклонение \(R_M\)

\(r_M - r_f\) – премия за риск рыночного портфеля

\(r_P - r_f\) – премия за риск нашего эффективного портфеля

\(r_f, r_M, \sigma_M\) – константы, что меняется в этом уравнении это – \(r_P, \sigma_P\), то есть соотношение рыночного портфеля и рискового актива в портфеле.

Угол наклона CML

Угол наклона CML равен:

\[ \frac{r_M - r_f}{\sigma_M}\]

Угол наклона можно интерпретировать как отношение премии за риск к стандартному отклонению рыночного портфеля – уже известный нам показатель Шарпа (Sharpe Ratio).

Следствие – все эффективные портфели имеют тот же показатель Шарпа, что и рыночной портфель

Пример CML

Рассмотрим линию рынка капитала (CML), если \(r_f = 0,06; r_M= 0,15; \sigma_M = 0,22\).

Следствия из СAPM

  1. Для большинства инвесторов результаты пассивной стратегии (комбинирование безрисковых активов с вложениями в пассивные инвестиционные фонды, реплицирующих широкий индекс) – так же хороши, как если бы вели активный поиск доходных ценных бумаг.
  2. Премия за риск для каждой отдельной бумаги пропорциональна только ее вкладу в совокупный риск всего рыночного портфеля. Премия за риск не зависит от риска, присущего ей в отдельности.

Security Market Line

Это выражение описывает линию доходности рынка ценных бумаг (SML): \[E(r_i) - r_f = \beta_i[E(r_M) - r_f] \]

Бета (\(\beta\))

\[\beta_i = \frac{\sigma_{iM}}{\sigma_M} \] где \(\sigma_{iM}\) – коварация доходностей между i-ой ценной бумаги и доходностью рыночного портфеля.

Можно выразить дисперсию рыночного портфеля как:

\[\sigma_M^2 = \sum w_i Cov(r_i, r_m) \]

где \(w_i\) – доля i-ого актива в рыночном портфеле.

Интепретация беты

Значения беты дают возможность интепретировать риск актива (портфеля):

\(\beta > 1\) – агрессивный актив (портфель);

\(\beta = 1\) – средний уровень риска;

\(\beta < 1\) – консервативный портфель

В данном случае акция J находится ниже границы SML. СAPM прогнозирует, что цена бумаги J будет снижаться пока она вновь не окажется на линии SML.

Отраслевые беты для американских компаний

Источник: Betas by Sector (US), by Aswath Damodaran

Расчет беты в R

Коэффициент бета можно рассчитать с помощью обычной линейной регрессии в R:

# OnDate <- start.date <- as.Date('2010-01-01')
# ToDate <- end.date <- Sys.Date()
# ROSN <- rusquant::getSymbols.Finam('ROSN', from = start.date) # роснефть
# MICEX <- rusquant::getSymbols.Finam('MICEX', from = start.date) # ммвб
# 
# ROSN.rtn <- diff(log(ROSN$ROSN.Close))
# MICEX.rtn <- diff(log(MICEX$MICEX.Close))
# 
# # получить безрисковкую ставку (1-летние ОФЗ)
# source('https://raw.githubusercontent.com/quantviews/CBR/master/codes_new/CBR_web.R')
# rf_rate <- Isoterm(start.date,end.date,I_Day = 1)
# 
# rf_rate_d <- (100+rf_rate)^(1/365)-1

plot(rf_rate, main = 'Безрисковая ставка (1-летняя ставка ОФЗ)')

ex_rosn_rtns <- ROSN.rtn - rf_rate_d
ex_micex_rtns <- MICEX.rtn - rf_rate_d

fit <- lm(ex_rosn_rtns ~ ex_micex_rtns)
summary(fit)

Call:
lm(formula = ex_rosn_rtns ~ ex_micex_rtns)

Residuals:
      Min        1Q    Median        3Q       Max 
-0.046727 -0.006698 -0.000729  0.006038  0.060207 

Coefficients:
               Estimate Std. Error t value Pr(>|t|)    
(Intercept)   8.833e-05  3.665e-04   0.241     0.81    
ex_micex_rtns 1.009e+00  2.003e-02  50.377   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.01115 on 1775 degrees of freedom
  (1 observation deleted due to missingness)
Multiple R-squared:  0.5884,    Adjusted R-squared:  0.5882 
F-statistic:  2538 on 1 and 1775 DF,  p-value: < 2.2e-16

Интерпретация:

  1. Значение t-статистики при свободном коэффициенте равно 0,24. Мы не можем отвергнуть гипотезу о том, что значение коэффициента не равно нулю.

  2. Коэффициент при доходности индекса близок к 1. Это означает, что бета акций Роснефти близка к 1.

  3. R^2 = 0,59. Это означает, что 58% дисперсии доходности Роснефти “объясняется” динамикой широкого рынка, 41% – дисперсии объясняется специфическими факторами.

Расчет беты в R – 2

рассмотрим вариант расчет регрессии без свободного члена (intercept term). В R такое уравнение рассчитывается добавлением параметра +0 в формуле.

fit0 <- lm(ex_rosn_rtns ~ ex_micex_rtns + 0)
summary(fit0)

Call:
lm(formula = ex_rosn_rtns ~ ex_micex_rtns + 0)

Residuals:
      Min        1Q    Median        3Q       Max 
-0.046714 -0.006652 -0.000700  0.006056  0.059870 

Coefficients:
              Estimate Std. Error t value Pr(>|t|)    
ex_micex_rtns  1.00587    0.01445   69.59   <2e-16 ***
---
Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1

Residual standard error: 0.01115 on 1776 degrees of freedom
  (1 observation deleted due to missingness)
Multiple R-squared:  0.7317,    Adjusted R-squared:  0.7315 
F-statistic:  4843 on 1 and 1776 DF,  p-value: < 2.2e-16
plot(coredata(ex_micex_rtns), coredata(ex_rosn_rtns), 
     xlab = 'избыточная доходность индекса ММВБ', ylab = 'избыточная доходность Роснефти')
abline(lm(ex_rosn_rtns ~ ex_micex_rtns + 0), col="red")

Расчет \(\beta\) с помощью пакета PerformanceAnalytics

Пакет PerformanceAnalytics предоставляет удобные функции для расчета различных параметров модели CAPM:

library(PerformanceAnalytics)

CAPM.beta(Ra = ROSN.rtn,Rb = MICEX.rtn,Rf = rf_rate)
[1] 1.009478
CAPM.alpha(Ra = ROSN.rtn,Rb = MICEX.rtn,Rf = rf_rate)
[1] 0.009556679

Расчет скользящей беты (rolling \(\beta\)) с помощью пакета PerformanceAnalytics

Пакет PerformanceAnalytics дает возможность быстро делать “скользящие” оценки коэффициентов – то есть мы каждый раз используем лишь X предыдущих значений для расчетов (в данном случаем X = 250, это примерно расчет за последние 365 календарных дней)

chart.RollingRegression(Ra = ROSN.rtn,Rb = MICEX.rtn,Rf = rf_rate,width = 250, attribute = "Beta",
                        main = 'Скользящая бета для акций Роснефти')

chart.RollingRegression(Ra = ROSN.rtn,Rb = MICEX.rtn,Rf = rf_rate,width = 250, attribute = "Alpha",
                        main = 'Скользящая альфа для акций Роснефти')

Одна из проблем с использованием CAPM – по факту оценки коэффициентов не являются устойчивыми во времени.

Интепретация альфы

Пример: предположим, что ожидаеая доходность рыночного портфеля равна 14%, бета бумаги = 1,2, а безрисковая ставка равна 6%. Тогда SML указывает нам, что ожидаемя доходность бумаги равна:

\(E(r)= r_f+\beta[E(r_M)-r_f] = 6 + 1,2(14-6) = 15,6%\).

Если мы считаем, что на самом деле ожидаемая доходность бумаги равна 17%, тогда альфа будет равно 1,4%

Альфа как мера оценки эффективности портфельных управляющих

Использование CAPM для формирования портфеля ценных бумаг

CAPM говорит, что оптимальный алгоритм для инвестирования заключается в следующем:

  1. Определите, какой уровень риска является для вас приемлемым (\(0\leq \sigma_P \leq \sigma_M\)) – в принципе, мы можем определить уровень риска больше, чем рыночный, если есть возможность занять деньги, чтобы инвестировать в рисковый актив.
  2. Вычислите \(w = \frac{\sigma_P}{\sigma_M}\)
  3. Инвестируйте долю \(w\) вашего капитала в индексный фонд (фонд который реплицирует поведения рынка).
  4. Инвестируйте долю \(1-w\) вашего капитала в безрисковый актив.

Использование CAPM для оценки стоимости капитала

\[WACC = r_{debt}(1-T) \frac{D}{E+D}+r_{equity}\frac{E}{E+D} \] где

\(r_debt\) – рыночная ставка по используемому фирмой долгу, %

\(T\) – ставка по налогу на прибыль, так как процентные платежи вычитаются из налогооблагаемой базы по налогу на прибыль (“налоговый щит”)

\(D\) – величина используемого компанией долга

\(E\) – сумма собственного капитала фирмы (рыночная капитализация – для публичных компаний)

\(r_{equity}\) – рыночная ставка доходности собственного капитала (обычно определяется с помощью модели CAPM или ее модификации)

Проблемы с CAPM

Источник: The Capital Asset Pricing Model: Theory and Evidence (Eugene F. Fama and Kenneth R. French)

Настоящие портфели имеют плоское соотношение между бетой и ожидаемой доходностью.

Трехфакторня модель Фамы и Френча

3-факторая модель включает изначальные факторы модели CAPM и добавляет к ним еще два:

  1. (small-minus-big, SMB) – фактор размера, превышение доходности портфеля из активов фирм с малой капитализацией над портфелем из активов фирм с большой капитализацией.
  2. (high-minus-low, or HML) – фактор стоимости (value), превышение доходности портфеля из активов фирм с низким соотношением балансовой и рыночной стоимости над портфелем из активов фирм с высоким соотношением балансовой и рыночной стоимости.

Модель Фамы и Френча можно представить в следующем виде: \[r = \alpha + r_f+ \beta(r_m-r_f) + \gamma SMB + \phi HML \]

Таблица с коэффициентам из работы Fama & French (1992), которая охватывала период с 1963 по 1990 год (месячные значения)

Текущие значения параметров модели Fama & French

Список использованных источников

  1. “Statistics and Data Analysis for Financial Engineering” (David Ruppert & David Matteson)
  2. Analyzing Financial Data and Implementing Financial Models Using R (Clifford Ang).
  3. Sharpe, William F. “Capital asset prices: A theory of market equilibrium under conditions of risk.” The journal of finance 19.3 (1964): 425-442.
  4. Fama, Eugene F., and Kenneth R. French. “The cross‐section of expected stock returns.” the Journal of Finance 47.2 (1992): 427-465.
  5. Fama, Eugene F., and Kenneth R. French. “The capital asset pricing model: Theory and evidence.” The Journal of Economic Perspectives 18.3 (2004): 25-46.