Санкционное давление, с которым столкнулась российская внешняя торговля, привело к масштабной переориентации экспорта на нейтральные страны. Необходимость поиска новых рынков сбыта продукции усилила востребованность действующих мер поддержки несырьевого экспорта и создала запрос на их совершенствование и адаптацию к новым условиям. Эти процессы актуализируют задачу по оценке эффективности различных видов поддержки экспорта, решение которой позволит оптимизировать и сделать экспортную поддержку более адресной. В исследовании с использованием данных предприятий за 2015–2019 годы производится оценка эффекта мер поддержки несырьевых экспортеров на товарно-страновую диверсификацию и стоимостные объемы экспорта российских экспортеров. Чтобы минимизировать влияние смещения, вызванного самоотбором фирм в число получателей поддержки, оценивается модель вероятности получения фирмой экспортной поддержки в зависимости от широкого перечня контрольных переменных, а предсказанные на основе этой модели значения используются для соотнесения (мэтчинга) наблюдений меры склонности к получению экспортной поддержки и сравнения динамики экспортной активности сопоставимых фирм. Согласно полученным результатам, в среднем уже на следующий год после обращения компании за экспортной поддержкой поставки на внешние рынки дополнительно растут на 12 п. п. и этот рост вызван преимущественно расширением географии и ассортимента экспорта, но не его интенсивностью. Консервативная оценка объемов дополнительного экспорта в результате мер поддержки несырьевого экспорта составляет 1,4 млрд долл. в 2019 году.
Какую роль в формировании доходности криптовалют играет фактор риска синхронного падения — обесценения отдельных криптовалют и портфелей при падении рынка в целом? Ответу на этот вопрос посвящена настоящая работа. Исследование строится на недельных данных за 2014–2018 годы и охватывает свыше 900 криптовалют. Эмпирическая часть содержит регрессионный анализ, рассматривающий сразу три подхода к измерению систематического риска криптовалют, соответствующих различным положениям криптоактивов в портфелях инвесторов. В рамках этого оцениваются индивидуальные коэффициенты чувствительности криптовалют к рискам, строятся факторные портфели и тестируются портфельные стратегии, проводится кросс-секционный анализ с определением значимых риск-премий — всего более 315 тысяч регрессионных итераций. В результате выявлено, что криптоактивы очень чувствительны к риску обвала на рынке криптовалют, но нечувствительны к происходящему на рынке акций, а также на рынках, относящихся к альтернативным инвестициям, сохраняя свою автономность. Более подверженные риску синхронного падения инструменты в среднем являются более доходными, причем данная закономерность обнаруживается как на уровне отдельных инструментов, так и на уровне крупных портфелей криптовалют и не может быть отнесена к ненаблюдаемым факторам. Усредненная премия за риск синхронного падения составила 1,3% в неделю и оказалась ключевым компонентом доходностей криптовалют. Таким образом, высокие доходности криптоактивов являются лишь компенсацией за соответствующие высокие риски синхронного падения. Одновременно в исследовании подтверждается значимость факторов SMB и WML, отражающих надбавки за риски малой капитализации и высоких прошлых доходностей соответственно, для доходностей криптоактивов и предлагается трехфакторная модель, успешно объясняющая более 50% кросс-секционных доходностей криптовалют, превосходя уже представленные в литературе модели. Полученные результаты могут применяться в рамках дальнейших теоретических исследований, посвященных доходностям криптовалют, и в ходе управления инвестициями в криптовалюты портфельными менеджерами и индивидуальными инвесторами.