Поскольку американская экономика так легко перенесла схлопывание пузырей в 1987 г. и в 2000 г., в начале кризиса 2008 г. у меня была надежда, что реакция на лопнувший пузырь в секторе жилой недвижимости будет такой же. Первое предупреждение я высказал на заседании Комитета по операциям на открытом рынке ФРС в 2002 г., когда заявил, что «наш экстраординарный домостроительный бум, …финансируемый за счет очень сильного роста ипотечного кредитования, не может продолжаться вечно». Но он продолжался — еще четыре года. И я полагал, что его влияние можно ограничить. Оказалось, что нет.
Основной причиной намного более суровых последствий схлопывания пузыря в сфере жилой недвижимости был размер долга. В ретроспективе, как я детально показываю в главе 3, хорошо видно, что триггером последнего финансового кризиса стал рост дефолтов по секьюритизированным низкокачественным ипотечным кредитам. Однако даже после появления проблем с низкокачественными финансовыми инструментами в августе 2007 г. мало кто понимал, что они предвещают. Когда дефолты по базовым ипотечным пулам (прежде всего, по выпускам низкокачественных ипотечных бумаг и бумаг, обеспеченных альтернативными А-кредитами) стали массовыми в 2007 г., буферы капитала многих банков (коммерческих и теневых) сократились до опасного уровня. С падением спроса на жилую недвижимость в США и цен на дома дефолты по ипотечным ценным бумагам стали бичом для банков и других финансовых институтов с высокой долей заемных средств как в США, так и в европейских странах.
В отличие от этого накануне краха доткомовского фондового рынка в 2000 г. финансовые институты с высокой долей заемных средств держали сравнительно немного акций, особенно акций технологических компаний, токсичных активов того пузыря. Акции в основном находились в собственности домохозяйств (которые были намного меньше обременены долгами, чем десятилетие спустя) и пенсионных фондов. Их убытки, хотя и внушительные, были поглощены без лавинообразного нарастания банкротств, поскольку размер долга, используемого для финансирования недвижимости, был небольшим. В результате мало какие кредиторы объявили дефолт, и лавинообразного нарастания дефолтов не случилось. Аналогичной была ситуация и после биржевого краха 1987 г.
Можно представить, как развивался бы кризис, если бы резко подешевевшие в 2000 г. (или в 1987 г.) акции принадлежали институтам с высокой долей заемных средств в тех же объемах, что и ипотечные кредиты и ипотечные ценные бумаги в 2008 г. Американская экономика наверняка столкнулась бы с более масштабными трудностями, чем те, которые мы видели.
В то же время, если бы ипотечные ценные бумаги в 2008 г. находились в собственности институтов с невысокой долей заемных средств, например пенсионных фондов с фиксированными взносами (планы 401k) или взаимных фондов, как это было в 2000 г., эти институты понесли бы крупные убытки, но банкротств, спровоцированных дефолтом по долгам, было бы намного меньше.
Неважно, что представляли собой токсичные активы, спровоцировавшие схлопывание пузырей в 1987, 2000 и 2008 гг., акции или ипотечные ценные бумаги. Именно недостаточность капитала на балансах финансовых институтов стала причиной кризиса. Проблемой 2008 г. стали долговые ценные бумаги, но при том размере убытков, которые получили финансовые институты с высокой долей заемных средств после схлопывания домостроительного пузыря, финансовая система испытала бы такое же потрясение, даже если бы на месте ипотечных ценных бумаг были акции.
Если бы Bear Stearns, наименьшему из инвестиционных банков, позволили бы обанкротиться, это просто приблизило бы кризис на шесть месяцев. Если бы рынок переварил банкротство Bear без цепной реакции, то Lehman Brothers мог бы спохватиться и резко понизить свой профиль риска. Кто знает? Однако, на мой взгляд, увидев счастливое спасение Bear Stearns, Lehman решил, что все инвестиционные банки крупнее Bear «слишком велики, чтобы допустили их банкротство» и что ему тоже помогут в случае необходимости. Этот сценарий позволил Lehman расслабиться и отказаться от превентивных (дорогостоящих) мер по увеличению размера капитала.
Идентификация токсичных активов
Еще одно препятствие для прогнозирования и формулирования политики состоит в том, что мы пытаемся заранее определить, какие активы или рынки могут стать токсичными и спровоцировать кризис. В начале 2000-х гг., несмотря на мнение многочисленных комментаторов, судящих задним числом, не было очевидно, что именно низкокачественные ценные бумаги станут токсичными. Облигации, обеспеченные долговыми обязательствами, с рейтингом ААА на основе низкокачественных ипотечных кредитов, выданных в 2005 г., например, успешно покупались по номинальной стоимости до середины 2007 г. До самого кризиса за них предлагали более 90 % номинала. К марту 2009 г., через полгода после начала кризиса, их стоимость упала до 60 % от номинала14.
Банкиры, как и все другие управляющие активами, стараются избегать концентрации связанных активов в портфелях, сформированных с массированным использованием заемных средств, во избежание их одновременного падения. Тем не менее в итоге именно такие активы — секьюритизированные ипотечные кредиты — сконцентрировались на балансах бесчисленных банков как в США, так и в других странах. В то время даже съевшие собаку на оценке активов считали их достаточно надежными. Большинство лишь в ретроспективе могут отличать хорошие активы от плохих. Секьюритизация породила обманчивое ощущение финансового благополучия. Крупные пакеты внешне диверсифицированных ипотечных кредитов казались намного менее рискованными, чем отдельно взятые ипотечные кредиты. Однако если все эти ипотечные кредиты чувствительны к одному и тому же макрошоку (падению стоимости жилья), то риск оказывается намного выше, а диверсификация — намного ниже, чем полагают инвесторы.
Регуляторы, по моему опыту, дают такие оценки ничуть не лучше, чем инициаторы инвестиций. Именно по этой причине я давно говорю, что регуляторы должны позволить банкам покупать (в рамках лимитов) все, что они посчитают нужным, и установить высокие общие требования к собственному капиталу, резерву для покрытия убытков, которые так или иначе случатся, но которые невозможно предвидеть15. Как я показываю в главе 5, регулирование, которое сильно зависит от прогнозов регулятора относительно качества кредитных портфелей, практически всегда оказывается неэффективным.
Опасайтесь успешной политики
Все спекулятивные пузыри имеют примерно одинаковую траекторию развития и временные рамки, в которых пузырь надувается16. Пузыри нередко возникают на ожиданиях стабильного долгосрочного роста производительности и объемов производства в сочетании со стабильными ценами.
Почти четверть века с 1983 по 2007 г. продолжался период очень незначительных рецессий и внешне чрезвычайной стабильности. Но затянувшаяся экономическая стабильность — это фитиль, который способен взорвать пузырь. Нужно лишь, чтобы небольшая часть участников рынка воспринимала изменение как структурное. Четверть века стабильности очевидно ведет к интоксикации. Стадное поведение становится главенствующим и усиливает восходящий тренд.
Центральные банки столкнулись с тем, что их успех в обеспечении стабильности цен закладывает основу для формирования ценовых пузырей. Этот вопрос волновал меня в течение многих лет. Я поделился своими опасениями на заседании Комитета по операциям на открытом рынке ФРС в мае 1995 г. «Дисбаланс, который подразумевает этот [текущий] прогноз есть не что иное, как ценовой пузырь… Я не уверен, что мы на этом этапе знаем, как или каким именно образом следует реагировать на него, и отважимся ли мы… Я надеюсь, что экономика будет лишь немного менее спокойной, растущей и оживленной из-за того, что конечный результат этого оказался не слишком полезным»17.
Что делать с этим, остается проблемой, не имеющей простого решения, по крайней мере, на сегодняшний момент. Когда стадное поведение инвесторов превращает «скептиков» в «оптимистов», у цен на акции, капиталовложений и экономики не остается иного пути, кроме как вверх. Несмотря на разнообразие активов и игроков, многочисленные пузыри последнего столетия развивались по одной и той же схеме.
История повторяется
Все-таки, учитывая повторяемость истории, я никогда не мог отделаться от общей идеи о том, что годы экономического роста, прерываемые незначительными спадами, ведут нас в конечном счете к сокрушительным финансовым кризисам. Как я отмечал в 2000 г., «мы не знаем и, наверное, не можем знать точный характер следующего международного финансового кризиса. То, что он будет, настолько же очевидно, насколько очевидно упорное неблагоразумие людей в области финансов»18. Есть убедительные доказательства того, что такие события, хотя они и происходят один или два раза в столетие, слишком закономерны и похожи друг на друга по характеру.
В последующих главах я более детально рассмотрю причины нынешнего кризиса и его последствия, дам оценку инструментам, которые мы, экономисты, создали, чтобы заглядывать в будущее, а также разберу основные расхождения в политике, которыми страдала экономическая наука в последние годы. Каждая политическая инициатива отражает одновременно видение будущего и представления о том, как работает экономика. Нынешние дебаты являются частью непрерывной эволюции экономического прогнозирования.
Основы регрессионного анализа
Астрономы могут предсказать, во сколько именно взойдет солнце за окном моей спальни через шесть месяцев. У экономистов нет такой возможности. Чтобы увидеть будущее, мы обращаемся к истории, выделяем «движущие силы» прошлых экономических событий и считаем, что они продолжат действие и в будущем. Другими словами, мы стремимся понять, что определяло поток капиталовложений в прошлом и куда они пойдут, если те же силы продолжат действовать в будущем. Чтобы облегчить решение этой сложной задачи, экономисты обращаются к такой дисциплине, как регрессионный анализ19 — статистическому методу, в основе которого лежит анализ вероятности, хорошо знакомый любителям азартных игр.
Исходные данные для прогнозирования деловой активности — это большие массивы временных рядов, которые относятся, например, к розничным продажам, промышленному производству или к объему строительства новых домов. Мы стараемся понять экономические факторы, которые определяют, скажем, месячный объем строительства односемейных домов, и пытаемся спрогнозировать его. В результате общения со строителями я могу для начала взять цены на дома и число создаваемых домохозяйств в качестве объясняющих переменных. Мы называем анализируемые временные ряды зависимыми переменными, а факторы, объясняющие их, — цены на дома и число создаваемых домохозяйств — независимыми переменными. Регрессионный анализ статистически показывает, как изменение любой независимой переменной влияет на объем строительства новых домов. Смысл такого фильтрования состоит в том, что он позволяет получить относительные статистические веса — коэффициенты, — которые в случае применения к ценам на дома и числу создаваемых домохозяйств дают «аппроксимированные» временные ряды, максимально близкие к историческим данным по объему строительства новых домов.
Обладая этими данными, мы можем измерить долю отклонений (дисперсию) зависимой переменной, которая «объясняется» флуктуациями независимых переменных в модели. Эту долю мы называем коэффициентом множественной регрессии (R2). Чем выше R2, тем ближе аппроксимированные временные ряды к историческим рядам. При значении 1,0 модель точно предсказывает реальные ряды данных и полностью объясняет дисперсию зависимой переменной.
Однако надежность результатов зависит от ряда математических условий, предъявляемых к регрессионным переменным. Например, независимые переменные не должны коррелировать друг с другом, т. е. цена дома не должна коррелировать с числом создаваемых домохозяйств. Плюс к этому регрессионные остатки, т. е. разница между фактическим объемом строительства новых домов и его аппроксимированным (расчетным) значением в каждом периоде, не могут быть «сериально коррелированными», другими словами, остатки одного периода не могут влиять на остатки следующего.
В реальности эти условия практически никогда не выполняются. Специалисты по статистике изобрели способы измерять и частично устранять эффект невыполнения необходимых допущений. Например, статистика Дарбина — Уотсона (D — W) характеризует степень сериальной корреляции остатков. D — W варьирует от 0 до 4,0. D — W, равная 2,0, означает, что остатки не коррелируют, а D — W менее 2,0 указывает на положительную сериальную корреляцию, которая приводит к завышению статистической значимости независимых переменных (см. обсуждение t-статистики и статистической значимости ниже)20. Сериальная корреляция характерна практически для всех экономических временных рядов, так как остаток предыдущего квартала в реальности оказывают влияние на остаток текущего квартала. Преобразование уровня временных рядов в абсолютное изменение снижает сериальную корреляцию регрессии, однако при этом теряется важная информация. Лично я при анализе предпочитаю иметь дело с сериальной корреляцией.
T-статистика — это характеристика «статистической значимости» независимой переменной, т. е. вероятности, что ее коэффициент отличен от нуля21. Чем выше t-статистика, тем выше вероятность того, что взаимосвязь между независимой и зависимой переменными реальна, а не случайна. Чтобы экономисты приняли независимую переменную в качестве «причины» изменения зависимой переменной, t-статистика, положительная или отрицательная, должна быть выше 2,0. Оценочная функция Ньюи — Уэста характеризует смещение t-статистики в результате сериальной корреляции и корректирует ее значения так, чтобы они более точно отражали реальные вероятности.
Еще одно заметное смещение во многих экономических корреляциях возникает, когда два временных ряда, связанных очень слабо либо не связанных вовсе, демонстрируют высокий R2 при определении регрессионной зависимости относительно друг друга, поскольку оба ряда отражают рост населения. Это смещение в значительной мере устраняется, если представить зависимую и независимую переменные в расчете на душу населения.
В примере 7.3 представлен типичный образец регрессионного анализа. Зависимая переменная — капиталовложения как доля денежного потока в нефинансовых организациях. Мы собираем квартальные данные не только по зависимым переменным, но и по трем независимым22 с 1970 г. по сей день. Регрессия зависимой переменной строится по трем независимым переменным, и в результате мы получаем аппроксимированную оценку доли капиталовложений от денежного потока. При R2, равном 0,76, мы фактически «объясняем» три четверти разброса этой доли. Как видно на графике в этом примере, аппроксимированный ряд близок к реальной доле. С учетом корректировки Ньюи — Уэста значения t-статистики значительно превышают 2,0, а значит вероятность того, что эта взаимосвязь случайна, можно исключить. D — W составляет всего 0,94, показывая, что сериальная корреляция умеренна. Но как следует из графика, это не мешает независимым переменным следовать за зависимыми во время взлетов и падений. Более того, если мы разделим 43-летний период регрессии на две равные части, результаты для более коротких периодов будут идентичны результатам полной регрессии. Это полезный тест, позволяющий понять, изменилось ли за 43 года влияние независимых переменных на зависимые. Результаты этого теста показывают, что не изменилось.
Кроме того, в примере B.1 я разделяю вклад независимых переменных в прогнозное значение. Это наглядно демонстрирует, что в разные моменты 40-летнего периода вклад каждой независимой переменной неодинаков. Так, коэффициент загрузки был преобладающим фактором в 2008 г., а в последующие кварталы наибольший вклад вносили дефицит бюджета с учетом цикличности и спред доходностей, а также, если взять шире, капиталовложения как доля денежного потока в нефинансовых организациях.
Деформации вероятностных распределений в поведенческой экономике не влияют на принципы эконометрики. Экономические действия руководителей компаний и потребителей определяются вероятностными распределениями, которые я привожу в приложении А. Они, являясь результатом взаимодействия рационального и иррационального начал, представляют собой зависимую переменную, и подходить к ним надо соответствующим образом. В конце концов, вероятностный анализ в равной мере применим и к объективным техническим данным, и к необъективным действиям людей.
Предостережение
Необходимо четко различать корреляцию (которую можно оценить с помощью регрессионного анализа) и причинную обусловленность (которую нельзя оценить). Высокий R2 и высокое значение t-статистики сами по себе не обязательно являются надежным показателем причинной обусловленности. Регрессионный анализ оказался одним из наиболее эффективных методов предсказания причин и следствий в экономике. Однако не следует забывать, что корреляция или взаимосвязь — это не то же самое, что причинная обусловленность. Ее необходимо подкреплять глубоким экономическим обоснованием взаимосвязи.
Регрессионные уравнения, как и экономические тождества (см. пояснение 9.3) являются наиболее значимыми входными параметрами макроэкономических моделей. Регрессионный анализ получил широкое распространение лишь с развитием вычислительной техники. В 1950-х гг. оценка регрессии на настольном калькуляторе того времени занимала у меня часы и даже дни. С современными компьютерами и программным обеспечением мне нужно нажать всего несколько клавиш, чтобы получить результат.