Оглавление 2
Введение 3
Глава 1. Теоретическая часть оценки инвестиционной привлекательности акций 5
1.1 Методы оценки акций 5
1.2 Выбор мультипликаторов для сравнительной оценки акций 9
Глава 2. Математические методы для оценки инвестиционной привлекательности акций 13
2.1 Кластерный анализ для разделения компаний на группы для сравнения 13
2.2 Метод рандомизированных показателей с использование экспертной информации для составления интервальных оценок стоимости акций 20
Глава 3. Практические расчеты инвестиционной привлекательности ценных бумаг 24
3.1 Выделение кластеров для выявления компаний-аналогов 24
3.2 Расчет инвестиционной привлекательности акций 38
3.3 Сравнение расчетный оценок с фактическими значениями акций 46
Заключение 53
Список использованной литературы 55
Одной из главных задач на финансовом рынке является выбор наиболее инвестиционных привлекательных ценных бумаг, т.е. таких бумаг, стоимость, которых в обозримом будущем при прочих равных условиях будет расти быстрее остальных. Теоретическая и практическая часть, приведенная в работе, рассматривается и рассчитывается на примере обыкновенных акций. В оценке акций компаний огромную роль играет множество факторов, каждый из которых по-разному влияет на оценку перспективы роста той или иной компании.
В то же самое время, аналитику приходится тратить много сил и времени, чтобы проанализировать большой массив информации и принять инвестиционное решение. Время, как известно, особенно на бирже – очень ценный ресурс.
Разрешить эту проблему в работе предлагается с помощью математического аппарата для анализа инвестиционной привлекательности акций на основе сравнительного подхода к оценке рыночных активов.
Для понимания принципов оценивания акций необходимо разобраться в том, как принято оценивать ценные бумаги и выбрать наиболее подходящий способ, который бы учитывал множество факторов, влияющих на значение котировок ценных бумаг. Только после такого исследования можно приступить непосредственно к практической части, где будет рассчитана теоретическая привлекательность акций и результаты будут сравнены с фактической ситуацией на фондовом рынке.
Таким образом, актуальность выбранной темы работы не вызывает сомнений и вызывает интерес.
Целью исследования является оценка инвестиционной привлекательности акции на примере российских компаний. В соответствии с целью поставлены следующие задачи:
Определение и выбор факторов, оказывающих влияние на котировки акций
Определение этапов анализа рынка для множества компаний
Практическая реализация данного похода с помощью расчета теоретической оценки инвестиционной привлекательности акций
Объяснение этих результатов и сравнение с фактическими данными
Объектом исследования является рынок ценных бумаг.
Предметом исследования – изменение стоимости акций под воздействием различных факторов.
Методологической основой работы являются труды и учебники российских и иностранных авторов, посвященные исследованию рынка ценных бумаг, а также сопутствующим математическим методам.
Работа представлена в трех главах. В первой рассматривается теоретические аспекты фундаментального сравнительного анализа. Во второй рассказывается подробно математические методы, позволяющие рассчитать инвестиционную привлекательность ценных бумаг. В последней главе на основе теории, приведенной в первых двух главах, производятся расчеты для трех акций и объясняются результаты
Автором была исследована область применения математических методов к оценке цены акции, инвестиционной привлекательности. Несмотря на то, что анализ акций существует достаточно долгое время в науке, подходы к изучения фондового рынка всегда очень разнились. Существует два главных подхода – дисконтирование денежных потоков и сравнительная оценка. Каждый из них имеет свои преимущества и недостатки. К преимуществам дисконтирования денежных потоков можно отнести понятный алгоритм действия и простота интерпретации результатов, а к недостаткам – трудности при расчете ставки дисконтирования. Для сравнительного анализа главным преимуществом является быстрота использования и возможность оперативно оценить перспективы того или иного актива, минусом же являлось – отсутствие внятного алгоритма действия и трудности при поиске сопоставимых компаний. Обе проблемы сравнительного подхода было предложено разрешить с помощью математического и статистического аппарата.
Проблему выбора сопоставимых фирм разрешалось путем выбора таких фирм, которые по потенциалу роста, риска и денежных потоков были бы сопоставимы. Для решения такой задачи был выбран кластерный анализ. Во второй главе были рассмотрены два основных метода кластеризации – метод К-средних и агломеративная кластеризация. Главным преимуществом использования кластерного анализа для выявления компаний-аналогов является то, что при классическом подходе к поиску сопоставимых фирм все сводится к поиску таких фирм в одной отрасли, что значительно сужает поиск и не дает полной картины для аналитика.
Сравнительному походу к оценке акций требовался метод, который бы учитывал при расчете несколько мультипликаторов и фирм с одной стороны, а с другой оставлял бы возможность больше полагаться на результаты расчетов по какому-либо мультипликатору или фирме. Таким методом стал метод рандомизации весовых показателей на основе экспертной информации.
В последней главе оценивались акции двух компаний – NLMKи MAGN. В результате были получены хорошие интервальные оценки стоимости акции для компании ММК(MAGN), а для NLMKполучилось улучшить первоначальный прогноз с помощью финансового анализа, что показало гибкость метода рандомизированных весовых коэффициентов.
1. Н.И.Берзон. Рынок ценных бумаг : учебник для академического бакалавриата. — 4-е изд., перераб. и доп. — М. : Издательство Юрайт, 2017. — 443 с.
2. Дамодаран А. Инвестиционная оценка. Инструменты и техника оценки любых активов./Пер. с англ. – М.:Альпина Бизнес Букс, 2004. – 1342 с.
3. Ермоленко К.Ю. Оценка фундаментальной стоимости компаний на основе метода рыночных мультипликаторов в сочетании с процедурой рандомизации//Вестник СПбГУ.2007.Сер.5,Вып.3.С.130-143
4. Ричард Брейли, Стюарт Майерс. Принципы корпоративных финансов: Пер. С англ. – М.:ЗАО”Олимп-Бизнес”,1997.-1120с.
5. Корников В.В., Хованов Н.В., Юдаева М.С. Многокритериальная классификация в условиях дефицита числовой информации // Труды Карельского научного центра РАН. 2012. №5. С.38-43.
6. Кривда С.В. Собственный капитал организации: проблемы оценки и отражения в отчетности//Финансовый вестник. 2014. №6. С.48-56
7. Уильям Ф. Шарп, Дж. Гордон Инвестиции. Пер. с англ. - Москва : ИНФРА-М, 2003. - 1028 с
8. Колесов Д.Н., Михайлов М.В., Хованов Н.В. Оценка сложных финансово-экономических объектов с использованием системы поддержки принятия решений АСПИД-3W. - СПб.: СПбГУ, 2004. – 63 с.
9. Хованов Н.В. Построение сводного показателя инвестиционной привлекательности российских акций // Инвестиционная политика России в современных условиях . Тезисы докладов Всероссийской научной конференции. Секция 5. СПб.:СПбГУ, 1997. С. 2-3.
10. Хованов Н.В. Анлиз и синтезпоказателеф при информационном дефицит.-СПб.:Изд-во СПб ун-та, 1996. – 196 с.
11. Шень А. Программирование: теоремы и задачи. — 2-е изд., испр. и доп. — М.: МЦНМО, 2004. — 296 с.: ил.
12. Hovanov N. Decision Support System APIS for MEAD. Advanced User Guide. Decision Support System.
13. Battiti R., Brunato M. The LION way. Machine Learning plus Intelligent Optimization. Version 3.0. LIONlab, University of Trento, 2017. – 506 p
14. Shim Jae K., Joel G.Siegel CFO fundamentals : your quick guide to internal controls, nancial reporting, IFRS, Web 2.0, cloud computing, and more// Wiley, 2008, p. 764
15. Martinez, Wendy L. Exploratory data analysis with MATLAB, 2011. – 495
16. Ross, Stephen A. Fundamentals of corporate nance —10th ed., Alternate ed.,2013. – 817 p.
17. Hastie T., Tisbshirani R., Friedman J. The Elements of Statistical Learning Data Mining, Inference, and Prediction/Springer. Second edition, 2009. – 745 p.
18. URL: http://www.moex.com/ru/index/RTSSTD/constituents/
19. URL: http://www.moex.com/ru/index/MICEXO%26G
20. URL:http://www.gks.ru/wps/wcm/connect/rosstat_main/rosstat/ru/statistics/enterprise/industrial/
21. URL: https://www.finam.ru/analysis/quotes/?0=1
22. URL: http://www.sthda.com/english/articles/29-cluster-validation-essentials/95-assessing-clustering-tendency-essentials/
23. URL:http://scikitlearn.org/stable/modules/generated/sklearn.metrics.silhouette_score.html
24. URL:http://scikitlearn.org/stable/modules/generated/sklearn.metrics.silhouette_score.html
25. URL:https://www.moex.com/a4258
26. URL:https://docs.scipy.org/doc/scipy/reference/generated/scipy.cluster.hierarchy.dendrogram.html
27. URL:https://www.finam.ru/profile/moex-akcii/nlmk-ao/export/
28. URL:https://www.finam.ru/profile/moex-akcii/mmk/export/
29. Хованов К.Н., Хованов Н.В. Система поддержки принятия решений АСПИД-3W (Анализ и Синтез Показателей при Информационном Дефиците). Свидетельство об официальной регистрации программы для ЭВМ № 960087 от 22.03.1996. Российское агентство по правовой охране программ для ЭВМ, баз данных и топологии интегральных микросхем (РосАПО). М.: РосАПО, 1996.
30. URL:https://www.bloomberg.com/quote/MAGN:RM
31. URL:http://scikitlearn.org/stable/modules/generated/sklearn.cluster.KMeans.htm
32. URL:http://scikit-learn.org/stable/modules/neighbors.html