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(u_n) = 0

Var (u_n) = σ²

Cov (u_i;u_j) = 0

Cov (u_i;x_i) = 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 x_ij – 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 (u_i+1;u_i) = 0 при конкурирующей гипотезе H1: Cov (u_i+1;u_i) > 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 (u_i+1;u_i) > 0

Если DW находится в промежутке M3 (du;4-du), то Cov (u_i+1;u_i) = 0

Если DW находится в промежутке M5 (4-dl;4), то Cov (u_i+1;u_i) < 0

Если DW находится в промежутке M2 (dl;du) или M4 (4-du;4-dl), то о Cov (u_i+1;u_i) 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. t_крит 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 Y_t.

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 F_факт и критического F_крит значений F-критерия Фишера. Уровень значимости берется как α = 0,05

Если F_крит<F_факт, то Н₀ - гипотеза о случайной природе оцениваемых характеристик отклоняется и признается их статистическая значимость и надежность.

В моей работе эти показатели равны:

F_факт= 407,3491134

F_крит= 2,40344707

F_крит<F_факт. 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 a_i, 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(u_i; u_j) = 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 d_l и d_u в таблице Дарбина-Уотсона. d_l =1,54; d_u = 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.

2.4 Проверка адекватности модели

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

Заключение

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

Код для цитирования: Скопировать