Политика полупроводниковой промышленности Китая, эффективность отрасли и синергетическое агрегирование на основе анализа методом GARCH

China semiconductor industry policy, industry efficiency and synergic aggregation based on GARCH analysis// Regional economy and management: electronic scientific journal. ISSN 1999-2645. — №2 (78). Art. #7815. Date issued: 03.06.2024. Available at:

В настоящее время ось разделения мирового рынка полупроводников проходит между США и Восточной Азией. Этот рынок можно разделить на три сегмента: 1) проектирование, 2) производство и 3) сборка, тестирование и упаковка полупроводников [1]. Проектирование — это прерогатива США, на долю которых приходится 65 % мирового рынка (15 % КНР, 17 % Тайваня). С точки зрения производства Тайвань доминирует на двух уровнях. Во-первых, он занимает 60% мирового рынка (по сравнению с 19% Южной Кореи, 8% США и 6% КНР). Во-вторых, он производит 92% самых передовых полупроводников (остальные 8% приходится на Южную Корею). К передовым полупроводникам относятся высокопроизводительные полупроводники размером несколько нанометров, позволяющие проводить высокопроизводительные вычисления, усиливающие возможности искусственного интеллекта и машинного обучения, которые используются для проектирования и производства энергоэффективных и мощных процессоров.

Проектирование, сборка и упаковка также являются специализацией Тайваня (53% мирового рынка), хотя Китаю удалось укрепить свои позиции в последние годы (19%). При этом основной целью промышленной политики Китая является технологическая самодостаточность. Это означает, например, возможность самостоятельного производства передовых полупроводников высокого класса. Несмотря на самые высокие в мире государственные расходы на эти цели (около 150 млрд долларов США в 2014-2020 гг.), Китай до сих пор не реализовал свое намерение [8].

В области полупроводников Китай остается асимметрично взаимозависимым от иностранных партнеров. Эту взаимозависимость необходимо учитывать как на технологическом, так и на коммерческом уровне. В технологической области Китай специализируется на производстве низкотехнологичных полупроводников — на его долю приходится 23% мирового производства полупроводников размером более 45 нм и 19% мирового производства полупроводников размером 28-45 нм. В области промежуточных полупроводников (10-22 нм) КНР производит всего 3% мировых поставок, а в части наиболее передовых технологий — менее 10 нм — полностью зависят от тайваньской TSMC и корейской Samsung [3, 8].

Аналогичная ситуация в области машин и программного обеспечения для производства полупроводников, где Китай зависит от импортных передовых инструментов автоматизации электронного проектирования (EDA) и оборудования для литографии в глубоком ультрафиолете (EUV), разрабатываемых в США и Голландии. Эта динамика сильно влияет на торговлю, при этом полупроводники остаются основным источником дефицита торгового баланса Китая. Этот дефицит постоянно усугубляется с 2014 г. -переломного момента активизации усилий Китая по достижению технологической самодостаточности. Таким образом, зависимость КНР от иностранных полупроводников по-прежнему является ключевой проблемой развития [2].

Результаты исследований

На основании вышеизложенного актуализируется необходимость поиска механизмов, направленных на повышение эффективности деятельности компаний полупроводниковой промышленности Китая, одним из которых является периодический анализ уровня доходности акций различными методами. Наблюдаемая волатильность цен на финансовые активы обычно идентифицируется с дисперсией или стандартным отклонением, основанным на квадрате отклонений распределения нормы прибыли на этот актив. Однако анализ научной литературы по описательной статистике показывает, что дисперсия — не единственный показатель доходности финансовых активов. Одной из редко используемых, хотя и очень гибких, мер дисперсии эмпирических распределений является диапазон, определяемый как разница между самым высоким и самым низким, с точки зрения ценности, наблюдением из выборки. Во избежание чрезмерного влияния выбросов на размер показателя определяется межквартильный размах, представляющий собой разность между квартилями распределения, симметричными медиане [4].

Среди основных описательных статистических показателей наиболее распространенным является межквартильный размах, представляющий собой разницу между третьим и первым квартилем эмпирического распределения. Естественно, здесь возникает вопрос о существовании связи между размахом и дисперсией. Нет сомнения в том, что между обоими показателями должна быть качественная связь, поскольку они измеряют одну и ту же особенность эмпирических распределений — дисперсию. Гораздо интереснее ответ на вопрос, существует ли между ними количественная связь. Чтобы ответить на этот вопрос, необходимо сделать некоторые предположения о процессе, генерирующем данные [7].

Предположение о том, что дисперсия доходности активов является постоянным параметром, характеризующим распределение этих норм доходности, в последующие годы стало общепринятым в теории финансов и нашло отражение даже в такой математически продвинутой модели, как модель ценообразования опционов, предложенная Блэком и Шоулзом в 1973 году. Затем новаторская статья Роберта Энгла 1982 года пролила новый свет на измерение риска. В ней Энгл представил модель авторегрессионной условной гетероскедастичности (модель ARCH — AutoRegressive Conditional Heteroscedasticity) и дал начало новой ветви финансовой эконометрики, занимающейся моделированием изменяющейся во времени условной дисперсии доходности [6].

Развитие моделей условной дисперсии в последующие годы, вероятно, стало неожиданностью даже для самого автора модели ARCH, однако, несмотря на все более сложные функциональные формы этих моделей, подавляющее большинство из них основано на общем допущении относительно данных, которые используются: основным источником информации о волатильности доходностей являются временные ряды доходностей. С начала 21 века появились работы, в которых предлагались модели условной дисперсии с использованием альтернативных методов оценки волатильности, в частности, оценок дисперсии, основанных на экстремальных значениях. Основной мотивацией этого вида работ являлось желание оценивать модели с учетом большего объема информации. Классические модели условной дисперсии, оцениваемые по дневным данным или только на временных рядах доходностей, извлекают информацию только из дневных цен закрытия актива, при этом одинаково легко можно получить ряды цен открытия, минимальных и максимальных цен — эти данные используются во многих методах технического анализа и для подавляющего большинства активов широко доступны [5].

Пусть rt обозначает норму доходности, рассчитанную на основе стоимости портфеля акций yt в момент времени t по отношению к значению при ( t - 1):

Согласно модели ARCH(p), значение нормы прибыли в момент времени t зависит от норм доходности в предыдущие моменты времени и значения случайной величины ε _t :

В классических спецификациях модели ARCH предполагается, что условное математическое ожидание μ_t равно нулю и, следовательно, опущено, а ε t = r t .

Боллерслев предложил обобщить модель (2), введя модель GARCH(p,q), в которой он сделал условную дисперсию дополнительно зависимой от дисперсии в предыдущие временные моменты:

На практике наиболее часто используемой моделью является GARCH(1,1):

Для ARCH(1) и GARCH(1,1) модель принимает следующий вид:

Константа A в модели ARCH(1) равна ω, а в модели GARCH(1,1) A = ω + β1ht-1 . Поскольку функция (6) представляет собой симметричную параболу вокруг нуля, она не позволяет моделировать динамику доходности.

Затем было проведено обобщение модели GARCH для моделирования, результат получил название модель AGARCH, где:

ht = w + а< (tt-i — ai)2 + Pi ht-i

В этом случае модель принимает следующий вид:

Как и в случае с моделью GARCH, это парабола, но в данном случае она достигает минимума для ^£t-i ^t .

Тогда же было предложено еще одно обобщение модели GARCH, известное как GJR-GARCH, в отличие от более ранних моделей, график этой функции представляет собой не параболу, а складывание плеч двух разных парабол. Также была использована модель EGARCH, предложенная Нельсоном.

Для анализа использовались ставки доходности акций китайских компаний полупроводниковой промышленности, котируемых на Шанхайской фондовой биржи:

• •    LONGi Green Energy Technology Co., Ltd. производит и продает фотоэлектрические продукты и решения по всему миру — LONGI,

• •    NAURA Technology Group Co., Ltd. занимается исследованиями, разработками, производством и продажей электронного оборудования и компонентов в Китайской Народной Республике — NAURA,

• •    Hygon Information Technology Co., Ltd. занимается исследованиями и разработками продуктов и систем с вычислительными чипами — HYGON,

• •    для сравнения индекс Shanghai SSEC.

Доходность была рассчитана на основе цен закрытия. Для того, чтобы определить, в какой степени можно говорить о динамике эффективности предприятий на основе ряда норм доходности акций, были оценены следующие модели: GARCH, AGARCH, GRJ-GARCH, EGARCH и EGARCH со значением параметра, отвечающего за асимметрию NIF, эта модель позже получила обозначение rEGARCH. Были выбраны два показателя соответствия: логарифм из функции надежности LLF и информационный критерий AIC Akaike.

AIC = -2LLF + 2K            (9)

Где K — количество параметров. Чем выше эффективность, тем ниже значение AIC.

Таблица 1 — Значения LLF для рассматриваемых моделей

Модель	Количество параметров	LONGI	NAURA	HYGON	SSEC
GARCH	4	6121,155	5720,325	6668,212	6695,879
AGARCH	5	6122,737	5720,735	6672,416	6726,48
GJR-GARCH	5	6122,727	5721,406	6672,736	6732,326
EGARCH	5	6120,124	5718,723	6670,814	6740,994
rEGARCH	4	6118,713	5718,082	6669,653	6688,081

Анализируя представленные в таблицах 1 и 2 значения показателей качества соответствия моделей, можно сделать вывод, что по всем показателям наилучшими оказались модели, учитывающие асимметрию функции информационного воздействия.

Таблица 2 — Значения AIC для соответствующих моделей

Модель	Количество параметров	LONGI	NAURA	HYGON	SSEC
GARCH	4	-12223,302	-11422,362	-13316,432	-13371,717
AGARCH	5	-12224,462	-11421,182	-13322,832	-13430,863
GJR- GARCH	5	-12224,442	-11422,522	-13323,472	-13442,544
EGARCH	5	-12219,242	-11417,162	-13319,632	-13459,866
rEGARCH	4	-12218,422	-11417,882	-13319,312	-13356,135

В случае акций компаний модели AGARCH и GJERCH-GARCH оказались лучшими, в то время как в случае SSEC EGARCH является лучшей моделью. Однако тот факт, что модели, учитывающие асимметрию, лучше подходят, не является достаточным основанием для того, чтобы сделать вывод о возникновении эффекта в ряду норм доходности акций. Еще необходимо проверить, достаточно ли велика разница. Формально необходимо было бы проверить гипотезу о нулевом значении параметра, отвечающего за асимметрию, в отдельных моделях.

Н« ^:<,і’ == ⁰

Для проверки этой гипотезы можно использовать тест, основанный на частном тесте отношения правдоподобия (LRT):

LRT = 2(LLF1 - LLF0)

В случае, когда гипотеза верна, статистика LRT имеет асимптотическое χ-распределение (^2p1- ^p0 ), где pl и p0 обозначают номера параметров соответствующих моделей. Использование этого теста для сравнения двух моделей, одна из которых содержит параметр, отвечающий за моделирование эффективности, а другая нет, должно дать ответ на возникновение эффекта. Модели AGARCH и GJR-GARCH сравнивались с моделью GARCH, а модель EGARCH — с моделью rEGARCH.

Таблица 3. Статистические значения теста LRT

Модель     LONGI NAURA HYGON SSEC

AGARCH     3,2635  0,9187  8,4043   61,1240

GJR-GARCH 3,1445  2,1630  9,0410   71,8084

EGARCH     3,8210  1,2750  2,4221   103,7112

Критическое значение для всех вычисляемых значений тестовой статистики одинаково X (²⁰,⁰5,1) = 3,8415. Из трех компаний, только данные HYGON отвергают гипотезу об отсутствии асимметрии на уровне значимости 0,05. При этом стоит отметить, что даже в этом случае значения тестовой статистики для SSEC в разы выше.

Заключение

Проведенные анализы показали, что только в случае с доходностью акций компании HYGON можно говорить о повышении эффективности. Однако даже в этом случае динамика эффективности значительно меньше, чем в случае с индексом SSEC. Хотя из-за небольшого объема проведенных исследований не представляется возможным сделать слишком обширные выводы, полученные результаты свидетельствуют о том, что использование моделей может помочь понять уровень эффективности деятельности компаний на основе уровня доходности акций.