СОВРЕМЕННЫЕ МЕТОДЫ ОЦЕНКИ ЦЕННЫХ БУМАГ И
advertisement
СОВРЕМЕННЫЕ МЕТОДЫ ОЦЕНКИ ЦЕННЫХ БУМАГ И ИНФОРМАЦИОННО-АНАЛИТИЧЕСКИЕ РЕШЕНИЯ THOMSON REUTERS МАРТ 2014 ВЛАДИМИР ВЛАДИМИРОВ 1 ФАКТЫ О THOMSON REUTERS THOMSON REUTERS • Крупнейшее в мире новостное агентство • Аудитория охватывает более миллиарда человек • Выручка компании порядка $13 миллиардов • 60,000 сотрудников в более чем 100 странах • Обеспечение информацией профессионалов в сфере финансов, рисков, права, налогообложения и бухгалтерского учета, интеллектуальной собственности, науки и СМИ • Среди клиентов – более 15 тыс. учебных и научно-исследовательских учреждений мира THOMSON REUTERS - финансовые рынки и риск • 40,000 клиентов, 500,000 пользователей, 155 стран • 5000 инвестиционных компаний и хедж фондов • Данные в реальном времени и исторические данные от более чем 250 бирж • Более 780 глобальных партнёров в трейдинге • Более $1 триллиона FX объём в неделю • Более $100 миллиардов в день на Spot Matching THOMSON REUTERS – аналитические модели StarMine • StarMine основан в 1998 изначально для анализа точности прогнозов sell-side аналитиков и позднее для количественного анализа, моделирования и фундаментального анализа • Позже добавлены модели анализа кредитного риска и оценки кредитного качества эмитентов • Модели StarMine построены и работают с использованием данных из таких передовых источников как I/B/E/S Estimates, Reuters Fundamentals и DataStream 2 ФИНАНСОВОЕ МОДЕЛИРОВАНИЕ 3 ФИНАНСОВОЕ МОДЕЛИРОВАНИЕ 101, ИЛИ ОБЩИЙ ПОДХОД К МОДЕЛИРОВАНИЮ В ИНДУСТРИИ 1. Прогнозируем выручку (40% усилий) – Выручка = объемы * цены (если несколько продуктов/услуг, то по каждому) – В самом простом способе = выручка просто инфлируется 2. Прогнозируем расходы / маржу (здесь два подхода) – Либо прогнозируем расходы отдельно, если себестоимость не зависит от цены продукта – Либо прогнозируем маржу, если рынок продукта настолько конкурентен, что маржа нормализуется сама 3. Получаем операционную прибыль 4. Вычитаем амортизацию, накладные расходы, процентные расходы, налоги 5. Получаем чистую прибыль 6. По желанию можно спрогнозировать Баланс и Денежные потоки 7. Баланс обычно растет пропорционально выручке (оборотный капитал (запасы, дебиторка, кредиторка) 8. Баланс должен сходиться – это делает за счет денежных средств или долга 9. На выходе в зависимости от потребностей получаем: прибыль, коэффициенты рентабельности, долговой нагрузки и т.п. 4 ОСОБЕННОСТИ И НЕДОСТАТКИ ФУНДАМЕНТАЛЬНОГО ПОДХОДА • Входных факторов может быть много, например, макро предпосылки (курс доллара, инфляция), факторы специфичные для сектора (для нефтяной компании – цены на нефть, газ; Для металлургии – цены на сталь, уголь, руду) • Большая часть исходных данных – финансовые показатели за прошлые периоды взятые из отчетности компаний, на практике часто берутся из информационных терминалов или напрямую с сайтов компаний • Операционные показатели за прошлые периоды как правило тоже берутся от компании или из информационных терминалов. Планы развития на будущее берут из конференц звонков, транскриптов встреч с аналитиками и из пресс-релизов • Проблема с прогнозами и сравнением с peers – часто непонятно, что закладывается в консенсус прогнозы. Например, если это нефтяная компания – какая цена нефти или курс валюты использован в прогнозах, которые затем вливаются в консенсус • Предсказательную силу модели трудно улучшить в силу того что модель это лишь инструмент и существует много неопределенностей, которые от нас не зависят (решения регуляторов, менеджеров, экономические циклы) • Большинство аналитиков смотрят на модели как на базовые сценарии, которые наиболее вероятны, но это не значит, что именно эти сценарии материализуются 5 ЧТО МЕШАЕТ АНАЛИТИКАМ УЛУЧШИТЬ ПРЕДСКАЗАТЕЛЬНУЮ СИЛУ ИХ МОДЕЛЕЙ? • Разрыв между фундаментальным и количественным анализом – Способны ли новые или дополнительные факторы повысить точность количественных моделей? – Могут ли количественные модели улучшить качество анализа фундаментальных аналитиков? • Как получать и поддерживать надёжные прогнозы для акций 30,000 глобальных компаний? – Неясно как или чем можно компенсировать недостаток данных – Сложность с поддержкой моделей по мере поступления новых данных – Каков оптимальный уровень сложности моделей? • Надёжны ли прогнозы аналитиков и стоит ли на них полагаться? – Не лучше ли просто экстраполировать исторические темпы роста? – Существуют ли аналитики которые (постоянно) лучше других? – Возможно ли определить и скорректировать модель на систематическую предвзятость мнения аналитиков? В качестве инструментов для количественного анализа в помощь фундаментальным портфельным управляющим Thomson Reuters предлагает прогнозы I/B/E/S Mean и Smart Estimates, а также модели StarMine 6 ПРОГНОЗЫ АНАЛИТИКОВ И SMART ESTIMATES 7 STARMINE - ПРОГНОЗЫ АНАЛИТИКОВ • Прогнозы I/B/E/S – широко используются аналитиками и считаются золотым стандартом в индустрии • База данных покрывает более 25,000 публичных компаний из 87 стран мира • Включает 33 мультипликатора и такие метрики, как EPS, Sales, Net Income и т.д. • Даёт консолидированный вид активности брокеров для каждой компании • StarMine позволяет аналитикам сравнить отчётные данные с ожидаемыми 8 ТРИ ОСНОВНЫХ ТИПА СИСТЕМАТИЧЕСКИХ ОШИБОК В ПРОГНОЗАХ SELL-SIDE АНАЛИТИКОВ • Как правило аналитики прогнозирующие наивысшие показатели темпов роста чрезмерно оптимистичны в долгосрочной перспективе • Прогнозы аналитиков на длинные периоды имеют тенденцию быть более оптимистичными нежели прогнозы на короткие периоды • Аналитики не в полной мере показателей темпов роста и ROE учитывают реверсию к среднему Методология SmartGrowth исправляет данные систематические ошибки прогнозирования 9 STARMINE ПОЗВОЛЯЕТ ОЦЕНИТЬ ТОЧНОСТЬ ПРОГНОЗОВ АНАЛИТИКОВ, СРАВНИВАЯ ПРОГНОЗ НА КАЖДЫЙ ДЕНЬ С ФАКТИЧЕСКИМ ЗНАЧЕНИЕМ • Чтобы получить высокий рейтинг аналитику необходимо своевременно предоставить прогноз, который должен как отличается от консенсуса (среднего значения) так и быть более точным • Рейтинги StarMine отличаются повышенной стабильностью и аналитики имеющие самый высокий рейтинг в этом году имеют в 4 раза больше шансов сохранить свой 5-звёздный рейтинг в следующем году нежели упасть до уровня одной звезды • На примере приведённом справа аналитик получил 4 звезды за прогнозы сделанные в 5 из 6 периодов 10 SMART ESTIMATES ПРИДАЮТ БОЛЬШИЙ ВЕС БОЛЕЕ СВЕЖИМ ПРОГНОЗАМ И ЛУЧШИМ АНАЛИТИКАМ Прогнозы предшествующие наиболее свежему циклу обновлений исключаются из рассмотрения 11 ПРОГНОЗЫ SMART ESTIMATES ОТЛИЧАЮТСЯ ПОВЫШЕННОЙ ТОЧНОСТЬЮ • Практика показала что прогнозы StarMine Smart Estimates значительно точнее чем консенсус (среднестатистические значения) прогнозов аналитиков – Улучшение точности прогнозов заметно на примере всех географий. Например, для EPS разница может достигать 6% для американских компаний и 12% для развивающихся стран – Повышение точности также заметно на примере всех категорий мультипликаторов, включая Revenue, EPS, EBITDA, Book Value, Dividends, and CF • Эффект «предсказанного сюрприза» который имеет место при использовании StarMine Smart Estimates – как правило предвещает неожиданные объявления, а также изменения мнений аналитиков – Так называемый «предсказанный сюрприз» это разница (%) между StarMine Smart Estimate и прогнозом консенсуса аналитиков – Значительные (>2%) «предсказанные сюрпризы» для Earnings и Revenue случаются с вероятностью порядка 70% – Оба фактора доказали свою эффективность для всех капитализаций, секторов и регионов 12 ФУНДАМЕНТАЛЬНЫЕ ДАННЫЕ 13 КЛЮЧЕВЫЕ ФИНАНСОВЫЕ ПОКАЗАТЕЛИ И МУЛЬТИПЛИКАТОРЫ • Возможность выбирать тип отчётности – стандартизированную или ту по которой компания отчитывается • Более 200 уникальных операционных метрик для 15 индустрий • Географическая и бизнес сегментация • Прозрачность методологии расчётных и исходных данных для 25,000 компаний 14 МАКРОЭКОНОМИЧЕСКИЕ ДАННЫЕ ВЫСОКОГО КАЧЕСТВА И СТЕПЕНИ ПОКРЫТИЯ • • • • Архив макроэкономических данных с глубиной до 1950-х годов для стран G7, 1970-х годов для крупнейших рынков и до 1980-х для развивающихся рынков Данные от национальных и наднациональных статистических агенств Международная макроэкономика представлена 3 миллионами временных рядов данных покрывающих 118 рынков. Макро прогнозы от OECD и Consensus Economics. Индексы потребительской уверенности и деловой активности, а также прогнозы от 125 источников. 15 EIKON И DATASTREAM СОДЕРЖАТ REUTERS POLLS - МАКРОЭКОНОМИЧЕСКИЕ И FX ПРОГНОЗЫ • Прогнозы по 700 макро индикаторам для 50+ стран • Высокая точность макро и FX прогнозов • Возможность видеть авторов прогнозов 16 МОДЕЛИ STARMINE 17 АНАЛИТИЧЕСКИЕ МОДЕЛИ STARMINE Модели для оценки инвестиционной привлекательности акций Модели для оценки кредитного качества и вероятности дефолта Intrinsic Value – модель дисконтированных финансовых потоков, построенная на основании Smart Estimates прогнозов StarMine для EPS, EPS Growth, Revenue, Revenue Growth, Net Margin Relative Valuation - модель сравнительной оценки на основании показателей EV/Sales, EV/EBITDA, P/E, Price/CFO, P/B и Dividend Yield для обработки динамическим алгоритмом специфичным для каждого сектора и компании Analyst Revisions - модель оценки акций, предсказывающая изменения сентимента аналитиков с помощью Smart Estimates Price Momentum - модель использующая тенденцию долгосрочных трендов к продолжению и краткосрочных к реверсии Value Momentum – в основу заложен алгоритм помогающий интерпретировать сигналы от IV, RV (value signals) и ARM, Price Mo (momentum) Модель Структурного Кредитного Риска – модифицированная модель Роберта Мертона, оценивает степень рискованности активов эмитента посредством анализа динамики изменения стоимости акций Модель Smart Ratios (на базе кредитных мультипликаторов) – оценивает финансовое состояние и степень кредитного риска посредством анализа широкого спектра мультипликаторов (ликвидности, доходности, покрытия, размера плеча и роста) Текстовая Модель - анализ информации посредством сканирования новостного потока, брокерской аналитики, транскриптов звонков и документов заполненных с регуляторами Объединённая Кредитная Модель – оценивает вероятность дефолта компании на основании трёх кредитных моделей перечисленных выше 18 АНАЛИТИЧЕСКИЕ МОДЕЛИ STARMINE: ПОКРЫТИЕ ГЛОБАЛЬНЫХ КОМПАНИЙ 19 МОДЕЛЬ INTRINSIC VALUE Модель дисконтированных финансовых потоков, построенная на основании Smart Estimates прогнозов StarMine для EPS, EPS Growth, Revenue, Revenue Growth, Net Margin 20 МОДЕЛЬ INTRINSIC VALUE ПОСТРОЕНА НА БАЗЕ ПРОГНОЗНЫХ «УМНЫХ» ФАКТОРОВ РОСТА • StarMine вносит поправки в прогнозы факторов роста (EPS, EPS Growth, Revenue, Revenue Growth, Dividend Growth) на FY1 и FY2 на основании эмпирически установленных оптимальных значений (компенсирует ‘optimism bias’) • Оптимальным образом использует все доступные средне- и долгосрочные прогнозы роста доходов и делает поправку на реверсию к среднему для ROE • Модель калибрует долгосрочные факторы в соответствии с уровнями EPS Growth (=6%), Payout Rate (=50%) и Discount Rate (=9.4%), что делает сравнительный анализ компаний из разных стран и регионов более адекватным 21 МОДЕЛЬ RELATIVE VALUATION модель сравнительной оценки на основании показателей EV/Sales, EV/EBITDA, P/E, Price/CFO, P/B и Dividend Yield для обработки динамическим алгоритмом специфичным для каждого сектора и компании 22 ПРИНЦИП ПОСТРОЕНИЯ МОДЕЛИ STARMINE RELATIVE VALUATION 23 RELATIVE VALUATION MODEL • При построение трудностей: моделей относительной оценки (RV) возникает ряд – Как и чем компенсировать недостаток исходных данных – Как работать с негативными значениями исходных данных – Как учесть тот факт что некоторые метрики имеют меньшее (или другое) значение для некоторых компаний из разных секторов (например Cash Flow, EV, Revenue для банковского сектора). • Модель StarMine Relative Valuation – решает эти проблемы с помощью весов оптимально подобранных для каждого фактора для каждой компании • Модель учитывает как исторические факторы за последние 12 месяцев (Т12М) так и прогнозные факторы за последующие 12 месяцев (F12M) 24 ANALYST REVISIONS MODEL модель оценки инвестиционной привлекательности акций, предсказывающая изменения сентимента аналитиков с помощью Smart Estimates. Модель учитывает «предсказанного сюрприза», сдвиги консенсус прогнозов и изменения рекомендаций аналитиков. 25 PRICE MOMENTUM MODEL модель использующая тенденцию долгосрочных трендов к продолжению и краткосрочных трендов к реверсии 26 ПРИНЦИП ПОСТРОЕНИЯ МОДЕЛИ PRICE MOMENTUM 27 VALUE MOMENTUM – COMBINED MODEL в основу заложен алгоритм StarMine помогающий интерпретировать сигналы от IV, RV (value signals) и ARM, Price Mo (momentum) в одну объединяющую модель 28 ПРИНЦИП ПОСТРОЕНИЯ МОДЕЛИ VALUE MOMENTUM – COMBINED MODEL 29 STRUCTURAL CREDIT RISK MODEL модифицированная модель Роберта Мертона, оценивает степень рискованности активов эмитента посредством анализа динамики изменения стоимости акций Анализ структурного плеча, волатильности и дрифта (роста активов) 30 SMART RATIOS CREDIT RISK MODEL оценивает финансовое состояние компании и степень кредитного риска посредством анализа мультипликаторов ликвидности, доходности, покрытия, размера плеча и роста оценка кредитного качества посредством анализа «умных показателей» 31 ПРИНЦИП ПОСТРОЕНИЯ МОДЕЛИ SMART RATIOS CREDIT RISK 32 TEXT MINING CREDIT RISK MODEL анализ посредством сканирования новостного потока, брокерской аналитики, транскриптов звонков и документов заполненных с регуляторами текстовый анализ информационного потока 33 COMBINED CREDIT RISK MODEL Сравнительный анализ на основании моделей: • Smart Ratios Credit Risk Model • Structural Credit Risk (Merton) • Text Mining Credit Risk Model Комбинированная модель оценки кредитного качества компаний 34 ПРОГНОЗНЫЕ МУЛЬТИПЛИКАТОРЫ ЛУЧШЕ ПРЕДСКАЗЫВАЮТ ДЕФОЛТ ЧЕМ РАССЧИТАННЫЕ НА ОСНОВЕ ИСТОРИЧЕСКИХ ДАННЫХ 35 SMART ESTIMATES МОГУТ ПРЕДСКАЗАТЬ ИЗМЕНЕНИЯ КОНСЕНСУСА. А МОГУТ ЛИ SMART RATIOS ПРЕДСКАЗАТЬ ИЗМЕНЕНИЯ РЕЙТИНГОВ РЕЙТИНГОВЫМИ АГЕНСТВАМИ? Эмпирически было доказано что когда рейтинги рейтинговых агенств и SmartRatios существенно отличаются рейтинги рейтинговых агенств сдвигаются в сторону Smart Ratios рейтингов в 4-5 раз чаще нежели в обратную сторону 36 ТОЧНОСТЬ ОЦЕНКИ КРЕДИТНОГО КАЧЕСТВА И ВЕРОЯТНОСТИ ДЕФОЛТА КОМПАНИЙ STARMINE Точность моделей оценки кредитного качества и расчётов вероятности дефолта компаний по долговым обязательствам была доказана эмпирически в период финансового кризиса 2008-2009 годов 37 ИНФОРМАЦИОННО АНАЛИТИЧЕСКИЕ РЕШЕНИЯ THOMSON REUTERS ПРЕДОСТАВЛЯЮТ • КАЧЕСТВЕННЫЕ ДАННЫЕ - Исчерпывающая и самодостаточная база исторических и прогнозных макроэкономических и финансовых данных, данных по различным классам активов • ГЛУБОКУЮ АНАЛИТИКУ – Широкий и удобный набор аналитических инструментов и функций позволяет представить и анализировать данные в виде динамичных графиков, отчетов и табличных рядов в Excel • ПРОСТОТА В ИСПОЛЬЗОВАНИИ и интуитивность работы позволяет эффективно объединить непревзойденный контент и передовой аналитический аппарат в удобном для пользователя интерфейсе • ЛОКАЛЬНАЯ КОМАНДА экспертов осуществляет внедрение и поддержку информационно аналитических систем 38 ВОПРОСЫ? 39 THANK YOU FOR YOUR TIME TODAY! For more information, please contact: Vladimir Vladimirov Business Development Executive, IM & IB Vladimir.vladimirov@thomsonreuters.com +7 (916) 278-1752 40
