24-25 мая магистранты Высшей школы экономики презентовали свои диссертации. Их работы оценивались по ряду критериев, включая логику изложения и исследовательский вопрос, корректность методологии исследования, способность делать выводы и качество рекомендаций.

Несколько студентов получили положительные отзывы Аттестационных комиссий. Члены комиссий отметили исследовательский потенциал представленных работ.

Толганай Умурзакова, магистр экономики, провела исследование, выявляющее влияние несоответствия навыков на удовлетворенность работой в Казахстане. В работе также было изучено влияние образования, пола и сектора занятости на удовлетворенность работой. Для исследования использованы первичные данные Обзора навыков взрослых ОЭСР (Программа международной оценки компетенций взрослых — PIAAC). PIAAC измеряет уровень владения взрослыми ключевыми навыками обработки информации — грамотности, математической грамотности и навыком решения проблем в технологической среде — и собирает информацию и данные о том, как взрослые используют свои навыки дома, на работе и в обществе в целом (OECD, 2019)

В исследовании получены несколько интересных результатов. Во-первых, выявлен необычно высокий уровень несоответствия навыков среди респондентов из Казахстана. Большинство респондентов считают, что их навыки не соответствуют выполняемой ими работе, и классифицируют себя работниками с завышенным уровнем квалификации по отношении к выполняемой работе, не подходящим уровнем квалификации или недостаточно квалифицированными. Во-вторых, уровень удовлетворенности работой среди респондентов из Казахстана также необычайно высок. В-третьих, результаты показывают, что несоответствие навыков не оказывает статистически значимого влияния на удовлетворенность работой. Однако обнаружено, что вероятность неудовлетворенности работой отрицательно коррелирует с образованием: люди с более высоким уровнем образования менее склонны быть недовольны своей работой. Сектор занятости также оказывает большое влияние на удовлетворенность работой.

Бота Серик, магистрант экономики, исследовала частную отдачу от образования в бывших советских республиках Центральной Азии и Азербайджане с помощью первичных данных опроса ЕБРР «Жизнь в переходный период — 2016». Частная отдача от образования — это концепция, представленная Дж. Минцером, оценивающая прирост заработной платы в результате роста уровня образования. Субъекта рынка труда и образования (студентам и их родителям, университетам), а также политикам и работодателям важно понимать отдачу от образования, поскольку она представляет собой информационный сигнал на рынке несовершенной конкуренции, асимметрии информации и других рыночных провалов.

Согласно результатам анализа, Таджикистан и Азербайджан имеют самые низкие показатели отдачи от образования, а Узбекистан — самые высокие. Вероятно, это следует объяснять неразвитой структурой экономики и рынков труда (в случае Таджикистана), низким качеством образования (в случае Азербайджана) и отсутствием образованных людей и высоким спросом на образование (в случае Узбекистана).

Марат Сыздыков, магистр финансов, в своей работе «Прогнозирование дефолта по кредитам P2P кредитования: алгоритмы классификации машинного обучения, применяемые к данным Lending Club, взгляд инвесторов» рассказал, что в последние годы мы стали свидетелями появления рынка онлайн-социального кредитования, также известного как равноправное или P2P кредитование.

Заемщики и кредиторы взаимодействуют через платформы P2P-кредитования онлайн без присутствия сильного посредника, такого как обычные банки. Несмотря на то, что P2P-платформы способствуют более широкому охвату финансовыми услугами, этот рынок также характеризуется проблемой более высокого уровня асимметрии информации, чем та, с которой сталкиваются традиционные банки. По этой причине в своей диссертации Марат задался вопросом, насколько хорошо отдельные инвесторы могут справляться с асимметрией информации с помощью прогнозирования дефолта методом машинного обучения на данных, предоставляемых P2P-платформой Lending Club.
Он выбрал алгоритмы классификации машинного обучения Random Forest и XGBoost для экспериментальной части своего исследования с классификатором логистической регрессии в качестве эталона производительности. Его исследование подчеркивает использование соответствующих показателей эффективности при наличии классового дисбаланса, а также справедливую и прозрачную интерпретацию результатов классификации. Далее Марат провел тщательную и прозрачную подготовку данных и сравнивает между собой производительность выбранных классификаторов; в результате исследование не обнаруживает существенной разницы между ними, чтобы оправдать их ранжирование. Кроме того, демонстрируются результаты основных классификаторов шести предыдущих исследований, и сходство этих результатов в целом совпадает с результатами проведенного Маратом исследования. Однако, в отличие от результатов предыдущих исследований, в исследовании Марата дополнительно вводится метод определения пороговых значений для результатов прогнозирования, который, как показано, способен уменьшить количество неправильно классифицированных дефолтов по кредитам, предоставляя возможность для более высокой и стабильной доходности портфеля для индивидуальных инвесторов. Хотя Марат продемонстрировал, как алгоритмы классификации машинного обучения в сочетании с техникой пороговой обработки могут обеспечить разумные результаты для инвесторов, наблюдаемая согласованность результатов прогнозов по всей области предполагает, что тип данных, предоставляемых Lending Club, может быть недостаточным для построения моделей машинного обучения высокой предсказательной силы. Таким образом, он подчеркнул необходимость более широкого использования альтернативных данных на рынке P2P-кредитования.

Раимбек Смадинов, магистр финансов, провел исследование на тему «Влияние кризиса COVID на аномальную доходность слияний и поглощений (M&A) как со стороны компаний-приобретателей, так и со стороны целевых компаний по сравнению с некризисным периодом». Во время кризисов, таких как нынешний кризис COVID-19, количество слияний и поглощений уменьшается, но наиболее прибыльные сделки заключаются во время кризиса. Это исследование направлено на определение того, происходит ли аномальный рост доходности акций компании во время кризиса. В данном исследовании изначально было отобрано 28 402 сделки M&A в период с 2018 по конец 2020 года. В качестве методологии использовались ивент-анализ и регрессионный анализ. Результаты исследования показали, что в кризисные периоды, в отличие от некризисного периода, наблюдается значительный рост аномальной доходности как со стороны целевой компании, так и со стороны компании-покупателя. Также в результате регрессионного анализа было установлено, что, помимо кризиса, на аномальную доходность довольно сильно влияет способ оплаты, с помощью которого компания-покупатель выкупает целевую компанию.

Куралай Акимбекова, магистр управленческого учета, исследовала тему экологических, социальных и управленческих инвестиций (ESG) и корпоративных финансов. Как известно, вопросы устойчивости и ответственного инвестирования играют важную роль как в корпоративном мире, так и в обществе. Ее работа обсуждает концепцию ESG-инвестирования, которая относительно недавно приобрела популярность и важность, и описывает влияние высоких / эффективных показателей ESG на корпоративные финансы, в частности, на финансовые показатели британских компаний. Значение каждого из субфакторов ESG описывается на основе работ других исследователей. Также были проанализированы изменения в корпоративном мире, произошедшие во время и после COVID-19. Исследование ставило целью прояснить важность и необходимость устойчивого инвестирования в ESG через анализ качественных аргументов и количественных данных терминала Bloomberg и Yahoo Finance. Для проведения расчетов был применен ивент-анализ, состоящий из четырех окон событий. Ключевые результаты были получены с использованием метода регрессии в R Studio. Исследование показало несколько интересных результатов; главный вывод состоит в том, что факторы, связанные с ESG, играют роль в течение первых шести месяцев после кризиса, но их влияние тем больше, чем дальше от даты фактического события.