ВВЕДЕНИЕ
Функционирование и успешное развитие рынка ценных бумаг невозможно без наличия информации о биржевых процессах. В странах с развитой экономикой придается первостепенное значение анализу биржевой конъюнктуры, тенденций и деловой активности фондового рынка. Необходима постоянная оперативная информация о рыночной ситуации, о состоянии и изменении курсов акций и т.д. Ключевыми показателями состояния рынка ценных бумаг, оценки его деловой активности являются биржевые индексы.
Актуальность данной темы не вызывает сомнений в связи с тем, что биржевые индексы играют огромную роль на фондовым рынке. Именно индексы дают возможность проанализировать состояние фондового рынка в прошлые периоды времени, выявить определенные тенденции, на основе которых могут быть сделаны прогнозы на будущее. На основе биржевых (фондовых) индексов можно судить также о состоянии экономики всей страны. Инвесторам же биржевые индексы позволяют оценивать состояние собственного портфеля ценных бумаг.
Цель: убедиться в зависимости индекса МосБиржи от цен на обыкновенные акции компаний Газпром, Норникель и МТС
Задачи, которые предстоит выполнить в ходе проведения данной работы:
1) Изучить и выделить факторы, влияющие на значение индекса MOEX
2) Построить эконометрическую модель значения индекса MOEX от выделенных факторов
3) Собрать необходимые статистические данные
4) Оценить модель и проанализировать качество ее спецификации
5) Проверить адекватность предпосылок теоремы Гаусса-Маркова
1. Теоретическая часть
1.1 Индекс ММВБ
Индекс МосБиржи — ценовой, взвешенный по рыночной капитализации композитный фондовый индекс, включающий 50 наиболее ликвидных акций крупнейших и динамично развивающихся российских эмитентов, виды экономической деятельности которых относятся к основным секторам экономики, представленных на Московской бирже. Перечень эмитентов и их вес в индексе пересматривается раз в квартал
1.2 Построение спецификации модели
Для того, чтобы оценить взаимосвязь цены обыкновенных акций данных компаний со значением индекса ММВБ необходимо составить эконометрическую модель. Существуют четыре принципа построения эконометрических моделей
Первый принцип заключается в том, что модель представляет собой ретрансляцию утверждений относительно взаимосвязи исходных данных и искомых неизвестных на математический язык, иначе говоря, необходимо с помощью формулы записать эту взаимосвязь.
Второй принцип построения эконометрической модели гласит, что переменные в ней должны датироваться.
Третий принцип гласит, что количество уравнений должно равняться количеству эндогенных переменных.
Четвертый принцип гласит, что в модель должен включаться случайный остаток, отражающий влияние неучтенных моделью факторов1
После этапа построения модели спецификации необходимо осуществить сбор статистики по переменным. Источники информации должны быть максимально достоверными, чтобы избежать искажения оценок в модели и нарушения условий теорем, с помощью которых данная модель будет оцениваться.
Следующим этапом построения эконометрической модели является оценка параметров и числовых характеристик модели. Наиболее простым методом оценки параметров является метод наименьших квадратов, суть которого заключается в минимизации квадратов отклонений значений полученных с помощью составленной модели и фактическими значениями за счет оптимизации параметров модели. Ключевой теоремой при использовании данного метода является теорема Гаусса-Маркова, которая гласит: пусть в уравнениях наблюдений
(1)
Столбцы независимы
E(un) = 0
Var (un) = σ2
Cov (ui;uj) = 0
Cov (ui;xi) = 0
Тогда оценки параметров, полученные данным методом, являются несмещенными, состоятельными и эффективными. Вектор оцененных параметров будет вычисляться следующим образом:
(2)
Значение дисперсии случайных остатков будет вычисляться по формуле
(3)
Сумма квадратов отклонений минимизируется2
Таким образом, для применения метода наименьших квадратов необходимо проверить предпосылки теоремы Гаусса-Маркова. Если эти условия не выполнены, то стоит вернутся к спецификации модели с самого начального этапа.
Первая предпосылка состоит в том, что математическое ожидание случайного члена (остатков) в любом наблюдении должно быть равно нулю. Иногда случайный член будет положительным, иногда отрицательным, но он не должен иметь систематического смещения ни в каком из двух возможных направлений. Для того чтобы проверить данную предпосылку достаточно найти математическое ожидание остатков и убедиться, что оно близко к 0.
Вторая предпосылка заключается в том, что дисперсия случайного члена должна быть постоянна для всех наблюдений. Иногда случайный член будет больше, иногда меньше, однако не должно быть причины для того, чтобы он порождал большую ошибку в одних наблюдениях, чем в других. Когда мы записываем модель Yt = a0 + a1X1t + a2X2t+ a3X3t+ut первые два условия Гаусса-Маркова указывают, что случайные члены в n наблюдениях появляются на основе вероятностных распределений, имеющих нулевое математическое ожидание и одну и ту же дисперсию. Вероятность того, что величина ε примет какое-то данное положительное (или отрицательное) значение, будет одинаковой для всех наблюдений. Это условие известно как гомоскедастичность
Для проверки данной предпосылки применяется тест Голфельда-Квандта. Для этого вся выборка упорядочивается по сумме модулей регрессоров, затем оцениваются параметры модели для первой и последней третей выборок объемом не менее числа оцениваемых параметров, в противном случае выборка делится уже на две половины. После оценки параметров вычисляется статистика GQ как отношение ESS первой выборки и ESS второй выборки и обратная GQ величина. Два этих значения не должны превышать критическое значение F, представляющее собой значение функции распределения Фишера с определенной доверительной вероятности со степенями свободы равными n-(k+1), где n – объем каждой из двух выборок (они одинаковы), а k+1 – число оцениваемых параметров. При выполнении данного условия гипотеза H0 о гомоскедастичности случайных остатков принимается.
Если случайные остатки гетероскедастичны, то есть их дисперсия не является постоянной, то применяется взвешенный метод наименьших квадратов, суть которого заключается в придании веса каждому наблюдению выборки. Вес определяется по следующей формуле:
(4)
Где xij – значение i-го регрессора в j-ом наблюдении, а – параметр, который определяет степень весовой корректировки, определяемый перебором значений в интервале [-2;2] с шагом 0,5.
Согласно теореме Гаусса-Маркова для трансформированной модели ВМНК оптимальный вектор параметров будет определяться по формуле:
(5)
Где Р – матрица весов, по главной диагонали которой расположены значения весов
Значение дисперсии случайных остатков будет вычисляться по формуле 6
(6)
Сумма случайных остатков, помноженных на вес минимизируется.
Третья предпосылка: случайные отклонения ui и uj являются независимыми друг от друга для i ≠ j. Выполнимость этой предпосылки предполагает, что отсутствует систематическая связь между любыми случайными отклонениями. Величина и определенный знак любого случайного отклонения не должны быть причинами величины и знака любого другого отклонения. Данная предпосылка может быть проверена тестом Дарбина-Уотсона, суть которого заключается в проверке гипотезы H0: Cov (ui+1;ui) = 0 при конкурирующей гипотезе H1: Cov (ui+1;ui) > 0. Для этого проводят оценку параметров методом наименьших квадратов и вычисляют статистику DW по формуле
DW = (7)
Затем по таблице Дарбина-Уотсона в зависимости от объема выборки и числа регрессоров определяют величины dl и du. В зависимости от того, в каком промежутке находится статистика DW делают вывод о наличии корреляции случайных остатков.
Если DW находится в промежутке M1 (0;dl), то Cov (ui+1;ui) > 0
Если DW находится в промежутке M3 (du;4-du), то Cov (ui+1;ui) = 0
Если DW находится в промежутке M5 (4-dl;4), то Cov (ui+1;ui) < 0
Если DW находится в промежутке M2 (dl;du) или M4 (4-du;4-dl), то о Cov (ui+1;ui) нельзя сделать однозначных выводов
Оценивание линейной модели с автокоррелированным остатком может быть проведено обобщенным методом наименьших квадратов (ОМНК). В соответствии с ним вектор оцененных параметров будет рассчитываться по следующей формуле
(8)
Где – корреляционная матрица.
Дисперсия случайных остатков будет рассчитываться по следующей формуле
(9)
Параметр ρ определяющий корреляцию между случайными остатками может быть определен несколькими способами:
По формуле ρ = 1-0,5DW
Алгоритм Хилдрета-Лу. Данный алгоритм заключается в подборе оптимального значения ρ путем перебора значений с определенным шагом, как правило 0,1 или 0,5
Поиск решения. При оценке параметров в Excel можно воспользоваться функцией «Поиск решения» и оптимизировать значение коэффициента корреляции таким образом, чтобы ESS было минимальным3
Четвертая предпосылка теоремы Гаусса-Маркова заключается в том, что случайное отклонение должно быть независимо от объясняющих переменных: Cov(ut;Xtj)=0. Оно не требует проверки, так как выполняется автоматически, за счет свойства случайных остатков, по которым у нас нет и не может быть статистики. В то время как X1t, X2t, X3t – регрессор, представляющий собой предопределенную переменную с имеющейся статистикой.
Последним этапом работы с эконометрической моделью является проверка ее адекватности с использованием интервального прогнозирования. Для этого из всей выборки изначально выделяют контролирующие выборки в объеме 5% от общего объема выборки. После того, как модель была оценена, для проверки адекватности используют интервальный прогноз. Для построения интервала находят среднеквадратическое отклонение ошибки прогноза. Для модели, в которой выполняются все предпосылки теоремы Гаусса-Маркова, оно будет определяться по следующей формуле
(10)
Где q0 – величина, определяемая по формуле
(11)
Для модели, оцененной по методу ВМНК среднеквадратическое отклонение ошибки будет вычисляться по формуле:
(12)
Для модели, оцененной по методу ОМНК среднеквадратическое отклонение ошибки будет вычисляться по формуле:
(13)
Далее вычисляется величина t критического, представляющего собой значение функции распределения Стьюдента с определенной доверительной вероятности и степенью свободы равной n-(k+1), где n – объем каждой из двух выборок (они одинаковы), а k+1 – число оцениваемых параметров. Таким образом, границы интервального прогноза определяются как
(14)
Где – значение полученное в ходе подстановки в оцененную модель предопределенных переменных контролирующей выборки. Если число контролирующих выборок, фактическое значение у которых попадает в построенный интервал не ниже доверительного интервала, то оцененная модель признается адекватной. 4
2. Практическая часть
Для того, чтобы составить эконометрическую модель индекса ММВБ определимся с факторами, влияющими на него. Как было сказано раннее, индекс ММВБ является расчетной величиной, включающей 50 наиболее ликвидных акций крупнейших и динамично развивающихся российских эмитентов. При этом стоит учитывать, что состав этих компаний меняется и меняются их веса при вычислении индекса ММВБ. Таким образом, будет логичным рассмотрение влияния наиболее крупных эмитентов, имеющих наибольший вес и стабильно оказывающихся в числе компаний при расчете данного индекса.
Для выбора таких компаний обратимся к данным Московской Биржи, в которой представлены весовые показатели эмитентов. Наибольшими весами обладают МТС (13,86%), Норильский никель (обыкновенные акции 11,25%) и ПАО Газпром (15,16%). Их суммарный вес равен 40,27%. Таким образом, мы можем сделать предположение о том, что данные компании оказывают существенное влияние на значение индекса ММВБ.
Составим модель, опираясь на принципы ее построения.
В основе спецификации выбрана линейная регрессионная связь между факторами и переменной Y. Изначальная модель имеет следующий вид:
Где,
Y – значение индекса ММВБ (IMOEX)
х1 – цена обыкновенной акции ПАО Газпром
х2 – цена обыкновенной акции ПАО "ГМК НОРИЛЬСКИЙ НИКЕЛЬ,
х3 – цена обыкновенной акции МТС
u-случайный остаток
2.1 Проверка наличия лишних объясняющих переменных
Перед тем, как приступать к работе необходимо убедиться в отсутствии в модели лишних объясняющих переменных. Для этого проводится сравнительный анализ отношения коэффициентов регрессоров к их среднеквадратической ошибке с t-распределением Стьюдента.
Для того чтобы это выполнить, применяем функцию «=ЛИНЕЙН» к собранной ранее статистике.
2,2986363 |
0,00231 |
3,961218 |
1200,53574 |
|
0,3988521 |
0,008682 |
0,627702 |
66,3788294 |
|
0,9336219 |
24,22409 |
#Н/Д |
#Н/Д |
|
267,23909 |
57 |
#Н/Д |
#Н/Д |
|
470452,81 |
33447,96 |
#Н/Д |
#Н/Д |
|
t набл |
5,7631297 |
0,266118 |
6,31067 |
18,086124 |
В первой строчке указаны значения коэффициентов регрессоров, а во второй – среднеквадратическая ошибка. С помощью деления первой строчки на вторую получаем необходимую дробь.
Для получения t-распределения Стьюдента применяем формулу СТЬЮДЕНТ.ОБР.2X с аргументами α = 0,05 и ν2 = (n-(k+1))=57, где n – объём статистики и k – количество регрессоров. tкрит в данном случае принимает значение 2,002465
Как показал Т-тест, лишними переменными в модели является цена обыкновенной акции ПАО "ГМК НОРИЛЬСКИЙ НИКЕЛЬ. Следовательно далее мы будем работать с такими факторами как: цены на обыкновенные акции компаний ПАО Газпром и МТС.
После исключения лишних переменных модель принимает следующий вид:
Оценённый вид модели после исключения одной компании ( с помощью функции ЛИНЕЙН):
1209,19532 4,07715236 2,307195109
57,3903221), ( 0,44826945), 0,39435597)
24,0292637).
2.2 Анализ качества спецификации модели
Для анализа данной характеристики в эконометрике применяются три проверки:
коэффициент детерминации (R2),
скорректированный коэффициент детерминации
F-тест.
Из них в данном случае достаточно применить только коэффициент детерминации и F-тест, так как скорректированный коэффициент детерминации высчитывается, когда нужно определить, какая из двух моделей с разным количеством регрессоров лучше
Коэффициент детерминации (R2) это доля дисперсии зависимой переменной, объясняемая рассматриваемой моделью. Он принимает значения от 0 до 1. Если R2=0, то регрессия ничего не дает, то есть знание значения Х не улучшает качества предсказания Yt.
Значение R2 можно получить из полученных для модели значений функции ЛИНЕЙН (1 столбец 3 строчка)
2,307195109 |
4,07715236 |
1209,19532 |
0,39435597 |
0,44826945 |
57,3903221 |
0,933539455 |
24,0292637 |
#Н/Д |
407,3491134 |
58 |
#Н/Д |
470411,2499 |
33489,5199 |
#Н/Д |
R2=0,933539455, следовательно есть крайне сильная объясняющая способность регрессоров.
F-тест состоит в проверке гипотезы Н0 о статистической незначимости уравнения регрессии и показателя тесноты связи. Для этого выполняется сравнение фактического Fфакт и критического Fкрит значений F-критерия Фишера. Уровень значимости берется как α = 0,05
Если Fкрит<Fфакт, то Н0 - гипотеза о случайной природе оцениваемых характеристик отклоняется и признается их статистическая значимость и надежность.
В моей работе эти показатели равны:
Fфакт= 407,3491134
Fкрит= 2,40344707
Fкрит<Fфакт. Следовательно, гипотеза о незначимости уравнения регрессии отклоняется и подтверждается качество составленной модели
2.3 Проверка выполнения предпосылок теоремы Гаусса-Маркова
Свойства коэффициентов регрессии существенным образом зависят от свойств случайного члена. Для того, чтобы регрессионный анализ, основанный на обычном методе наименьших квадратов, давал наилучшие из всех возможных результатов, случайный член должен удовлетворять четырем условиям.
Невыполнение условий теоремы Гаусса-Маркова приводит к неэффективности и смещённости полученных коэффициентов ai, т.е. низким полезным свойствам для анализа статистики
1-е условие: Е(εi) = 0. Если это условие выполняется, то мы можем сделать вывод, что на этапе выбора линии регрессии не было совершено ошибок. В нашем случае Ut= 0,0114678 стремящееся к нулю, следовательно первая предпосылка выполняется.
Для проверки 2-ого условия используется тест Голфельда-Квандта. Для этого необходимо упорядочить уравнения наблюдений по возрастанию суммы модулей значений регрессоров модели, затем произвести оценку двух выборок (первая и последняя 1/3 значений в нашем случае это 19 первых и 19 последних) и, в заключении, с помощью функции «ЛИНЕЙН» вычислить ESS1 и ESS2.
Следующий шаг – определение статистики GQ = ESS1/ESS2 и GQ^-1 = ESS2/ESS1=1/GQ. По нашей модели:
GQ= 1,51341811
GQ^-1 = 0,66075593
Чтобы гипотеза о гетероскедастичности была отвергнута, необходимо выполнение условия:
GQ < Fкрит. : 1,51341811< 2,40344707
1/GQ < Fкрит. 0,66075593< 2,40344707
Можно видеть, что условие выполняется и случайный остаток необходимо полагать гомоскедастичным.
3-е условие говорит о необходимости отсутствия автокорреляции случайных остатков Cov(ui; uj) = 0. Данная гипотеза проверяется путём проведения теста Дарбина – Уотсона.
Для начала рассчитываем DW по формуле:
DW = (∑ (ut-u(t-1))^2) / (∑ut^2)
DW=2,030273
Далее находим интервалы по dl и du в таблице Дарбина-Уотсона. dl =1,54; du = 1,66
M1 |
M2 |
M3 |
M4 |
M5 |
0 – 1,54 |
1,54 – 1,66 |
1,59 – 2,34 |
2,34 – 2,46 |
2,46 – 4 |
DW=2,030273
Мы видим, что DW ϵ M3, то есть Cov(ut;ut-1)=0 –→ отсутствует автокорреляция случайных остатков. Значит это условие тоже выполняется.
За счет свойства случайных остатков 4-ое условие (Cov(ut;Xtj)=0) выполняется автоматически, следовательно мы можем его не проверять.
Последним шагом в построении спецификации модели является проверка адекватности.
В качестве контролирующей выборки выбраны следующие данные
Контролирующая |
|||||
|
MOEX |
|
Газпром |
МТС |
|
19.09.2019 |
2794,77 |
1 |
233,2 |
270,3 |
|
25.09.2019 |
2760,29 |
1 |
227,05 |
264,7 |
|
01.10.2019 |
2758,83 |
1 |
225,99 |
264,4 |
Выбрано 3 даты, тк мы берем 5% от количества статистики (61)
Оцененная модель имеет прежний вид, так как значения контролирующей выборки были изначально исключены из статистики и все расчеты производились на основании данных по обучающей выборке.
Доверительные интервалы для каждого периода из контролирующей выборки рассчитываются по следующей формуле:
yi (-) = yi’ – tкрит.*S(yi’)
yi (+) = yi’ + tкрит.*S(yi’),где yi’- yi оценённое
t крит. = 2,00171748 одинаково для всех интервалов.
(Расчёт: = СТЬЮДЕНТ.ОБР.2Х (0,05; 58)
Для t=1
Q1= 0,02352321
Sy оцененное = 12,2972546
Ymin= 2759,00646
Ymax= 2808,23771
Y0=2794,77
Мы видим, что фактическое значение входит в интервал
Для t=2
Q2= 0,02700679
Sy оцененное = 12,3391085
Ymin= 2720,9279
Ymax= 2770,32671
Y0=2760,29
Мы видим, что фактическое значение так же входит в доверительный интервал
Для t=3
Q3= 0,02703669
Sy оцененное = 12,3394677
Ymin= 2715,91324
Ymax= 2765,31349
Y0=2758,83
Фактическое значение, так же входит в доверительный интервал
По результатам данной проверки все 3 фактических значений попали в прогнозный интервал. Таким образом, данная модель признается адекватной с 99%-ой доверительной вероятностью
Цель данной работы можно считать достигнутой. Таким образом, проведя все необходимые действия, мы построили эконометрическую модель зависимости значения индекса ММВБ от цен на обыкновенные акции компаний Газпром, Норникель и МТС и оценили ее параметры и числовые характеристики.
Данные параметры имеют следующую интерпретацию: а0 оказывает влияние на величину абсолютного изменения в случае изменения значений иксов, то есть цен на акции данных компаний, в то время как остальные параметры оказывают влияние на относительное изменение значения индекса ММВБ в зависимости от изменения цен на соответствующую акцию.
Исходя из оцененной модели можно сделать вывод о том, что в большей степени на изменение показателя индекса ММВБ влияют цены на акции таких компаний как ПАО Газпром и МТС.
В результате проверки адекватности предпосылок теоремы Гаусса-Маркова, все условия оказались удовлетворительными. Также, положительный результат дала проверка эконометрической модели на адекватность с помощью интервального прогнозирования. Все вышеперечисленное свидетельствует о том, что составленная модель является рабочей.
Список использованных источников
Бывшев, В.А. Эконометрика [Текст] \ В.А.Бывшев. –М.: Финансы и статистика, 2008. — 480 с.
База расчета Индексов Московской Биржи (Индекса МосБиржи (Индекса ММВБ) // Московская биржа URL: https://www.moex.com/a1583 (дата обращения: 05.12.2019).
Московская биржа. Акции // Finam URL: https://www.finam.ru/profile/moex-akcii (дата обращения: 05.12.2019).
Индекс ММВБ // Московская биржа URL: https://www.moex.com/n4622/?nt=108 (дата обращения: 06.12.2019).
ИНДЕКС МОСКОВСКОЙ БИРЖИ // trading URL: https://ru.tradingview.com/symbols/MOEX-IMOEX/ (дата обращения: 06.12.2019).
Норникель // QUOTE URL: https://quote.rbc.ru/ticker/59260 (дата обращения: 06.12.2019).
Котировки акций // BCS express URL: https://bcs-express.ru (дата обращения: 10.12.2019).
Приложения
Дата |
Значение IMOEX |
Газпром |
Норникель |
МТС |
02.09.2019 |
2773,01 |
231,93 |
16514 |
272,26 |
03.09.2019 |
2774,2 |
233,4 |
16488 |
272 |
04.09.2019 |
2793,36 |
232,7 |
16468 |
272 |
05.09.2019 |
2807,06 |
234,64 |
16550 |
272 |
06.09.2019 |
2797,55 |
235,8 |
16393 |
272 |
09.09.2019 |
2786,63 |
235,01 |
16106 |
272,5 |
10.09.2019 |
2787,52 |
234,5 |
15944 |
269 |
11.09.2019 |
2817,05 |
233,03 |
16004 |
270,4 |
12.09.2019 |
2799,99 |
234,4 |
15950 |
267,4 |
13.09.2019 |
2791,74 |
232,6 |
15650 |
267,9 |
16.09.2019 |
2834,32 |
233,92 |
15846 |
269,3 |
17.09.2019 |
2820,86 |
234,59 |
15830 |
269,8 |
18.09.2019 |
2818,6 |
233 |
16100 |
271 |
20.09.2019 |
2796,41 |
230,75 |
16128 |
273 |
23.09.2019 |
2785,46 |
230,51 |
16308 |
269,5 |
24.09.2019 |
2754,53 |
230,4 |
16096 |
266,1 |
26.09.2019 |
2772,7 |
228,74 |
16388 |
266 |
27.09.2019 |
2757,98 |
231,95 |
16468 |
266,7 |
30.09.2019 |
2747,18 |
229,03 |
16686 |
265 |
02.10.2019 |
2719,39 |
226,2 |
16670 |
262,3 |
03.10.2019 |
2707,47 |
223,55 |
16602 |
262,6 |
04.10.2019 |
2692,55 |
224,3 |
15894 |
263,4 |
07.10.2019 |
2719,22 |
221,86 |
16048 |
265,7 |
08.10.2019 |
2707,89 |
226,55 |
16030 |
260,9 |
09.10.2019 |
2713,02 |
223,1 |
16104 |
268,6 |
10.10.2019 |
2721,51 |
222,99 |
16140 |
272,7 |
11.10.2019 |
2708,07 |
225,01 |
16048 |
268 |
14.10.2019 |
2697,46 |
227,38 |
15940 |
265,5 |
15.10.2019 |
2715,26 |
225,99 |
16042 |
267,5 |
16.10.2019 |
2744,35 |
225,85 |
16156 |
267,7 |
17.10.2019 |
2748,64 |
227,66 |
16170 |
265,3 |
18.10.2019 |
2752,91 |
227,88 |
16250 |
269,1 |
21.10.2019 |
2761,15 |
228,24 |
16306 |
267 |
22.10.2019 |
2802,23 |
228,59 |
16462 |
270,3 |
23.10.2019 |
2821,58 |
234,86 |
16544 |
270,9 |
24.10.2019 |
2877,05 |
236,46 |
17130 |
275,2 |
25.10.2019 |
2873,41 |
244,17 |
17200 |
278,6 |
28.10.2019 |
2856,91 |
247,34 |
17714 |
285,7 |
29.10.2019 |
2886,48 |
244,03 |
17948 |
287,3 |
30.10.2019 |
2911,15 |
252,85 |
18192 |
287,7 |
31.10.2019 |
2893,98 |
262,29 |
17888 |
285 |
01.11.2019 |
2930,4 |
260,11 |
18186 |
286,3 |
05.11.2019 |
2949,55 |
266,02 |
18140 |
289,7 |
06.11.2019 |
2980,84 |
263,11 |
18304 |
291,8 |
07.11.2019 |
3008,54 |
266,01 |
18706 |
299,6 |
08.11.2019 |
2973,19 |
269,9 |
18520 |
300,3 |
11.11.2019 |
2961,46 |
265 |
18112 |
297,8 |
12.11.2019 |
2951,16 |
260,82 |
17642 |
299,5 |
13.11.2019 |
2933,89 |
256,11 |
17422 |
298,6 |
14.11.2019 |
2922,45 |
252,55 |
17426 |
297,3 |
15.11.2019 |
2934,82 |
248,5 |
17680 |
300,2 |
18.11.2019 |
2924,48 |
250,01 |
17358 |
297,4 |
19.11.2019 |
2941,69 |
246,5 |
17592 |
305,5 |
20.11.2019 |
2936,47 |
246,94 |
17646 |
306,1 |
21.11.2019 |
2942,6 |
252 |
17658 |
306 |
22.11.2019 |
2947,68 |
253,12 |
17476 |
305,1 |
25.11.2019 |
2955,32 |
252,12 |
17344 |
308,5 |
26.11.2019 |
2930,62 |
255,6 |
17240 |
304,5 |
27.11.2019 |
2929,05 |
253,8 |
17212 |
306,3 |
28.11.2019 |
2927,57 |
253,48 |
17172 |
306,7 |
29.11.2019 |
2935,37 |
253,89 |
17046 |
304,5 |
1Бывшев, В.А. Эконометрика [Текст] \ В.А.Бывшев. –М.: Финансы и статистика, 2008. — 480 с.
22 Бывшев, В.А. Эконометрика [Текст] \ В.А.Бывшев. –М.: Финансы и статистика, 2008. — 480 с
3 Бывшев, В.А. Эконометрика [Текст] \ В.А.Бывшев. –М.: Финансы и статистика, 2008. — 480 с.
4Бывшев, В.А. Эконометрика [Текст] \ В.А.Бывшев. –М.: Финансы и статистика, 2008. — 480 с.