Использование форвардных мультипликаторов как фактор повышения точности в оценке стоимости бизнеса

Размещено на http://www.allbest.ru/

Правительство Российской Федерации

Федеральное государственное автономное

образовательное учреждение высшего образования

«Национальный исследовательский университет

“Высшая школа экономики”»

Факультет экономических наук

Образовательная программа «Экономика»

ВЫПУСКНАЯ КВАЛИФИКАЦИОННАЯ РАБОТА

«Использование форвардных мультипликаторов как фактор повышения точности в оценке стоимости бизнеса»

Выполнил: студент группы БЭК131

Мартыненко Александр Юрьевич

Научный руководитель:

доцент, кандидат экономических наук

Тихомиров Дмитрий Викторович

Рецензент: доцент, кандидат экономических наук

Григорьева Светлана Александровна

Москва 2017



Введение

Оценка стоимости как различных активов, так и целых компаний - незаменимый инструмент для эффективного функционирования многих индустрий и процессов. Сложно себе представить современную бизнес-модель, не основанную на принципах различных методик оценки активов.

Не менее важным аспектом оценки является сопровождение различных сделок. Оценщики стараются обеспечивать рыночных агентов максимально точной информацией о справедливой стоимости активов и компаний, чтобы их клиенты могли выбрать правильную цель для своих инвестиций. Так, наличие устойчивого института оценки, результаты которой могут с высокой степенью вероятности отражать действительное состояние объекта оценки, помогает частично нивелировать фактор асимметрии информации между различными игроками финансового рынка. Иными словами, точная оценка позволяет инвесторам инвестировать свои средства с большей долей уверенности в надежности своих вложений, что для стороны, привлекающей инвестиции, может означать возможность привлечения капитала с меньшей стоимостью, так как инвестор будет лучше информирован о сопряженных с его вложением рисках. Верно и обратное - для активов, менее надежных и подверженных большим рискам, наличие способности у инвесторов более точно оценивать их реальное положение будет приводить к более высокой стоимости привлечения капитала, так как инвесторы будут требовать более высокую премию за риск.

Так, очевиден тот факт, что точность оценки напрямую влияет на то, как рационально могут вести себя инвесторы. Таким образом, переоценить важность точности получаемых оценок нельзя.

В целях достижения максимально точных результатов в области оценки принято выделять 3 основных подхода к оценке активов: доходный подход, рыночный подход, и затратный подход.

Стоит отметить, что, несмотря на то, что на практике используют все эти 3 подхода, наиболее распространенным подходом является рыночный. Причиной для этой закономерности служит тот факт, что рыночный подход подразумевает наиболее простые, как с технической, так и с интуитивной точки зрения, операции для получения финальной стоимости. Чаще всего, данный подход используют в совокупности с каким-либо иным подходом из упомянутых выше, чтобы проверить, являются ли оценки более фундаментальных и сложных моделей схожими с результатами рыночного подхода. Таким образом, можно утверждать, что через рыночный подход можно получить не только конкретную оценку, но и некий диапазон значений стоимости оцениваемого актива, в котором должна лежать истинная рыночная стоимость данного актива.

Однако наряду с наибольшей практической популярностью среди всех подходов рыночный подход является наименее академически подкрепленным подходом. Если использование исторических мультипликаторов еще рассматривается на фундаментальном уровне, то такие инструменты как форвардные мультипликаторы вообще редко упоминаются в стандартных базовых трудах по инвестиционной оценке. Тем более удивительной предстает данная проблема, если учесть вероятность того, что форвардные мультипликаторы могут являться более точными инструментами оценки. Также проблема точности оценок, получаемых различными мультипликаторами, не привлекает должного внимания исследователей, несмотря на свою несомненную важность. Отчасти это можно объяснить в целом скудным академическим фундаментом рыночного подхода.

Так, очевидно, существует отставание «теории и обнаруженных закономерностей» от «практики», что может приводить к тому, что различные решения в области использования рыночного подхода могут приниматься необоснованно.

Таким образом, образовывается плохо исследованная область, более подробное изучение которой может ответить на ряд важных вопросов и послужить основой для усовершенствования методик оценки стоимости компании.

Постановка проблемы.

Как уже упоминалось выше, рыночный подход к оценке стоимости компании - довольно неисследованная тема с академической точки зрения. Крайне мало исследователей рассматривали фундаментальные основы и вопросы с ними связанные для различных мультипликаторов. Получается, самый популярный метод оценки стоимости не имеет прочного научного фундамента в отличие от большинства других аспектов финансов, несмотря на практикоориентированность финансов как предмета науки.

Среди всех вопросов, которые можно счесть недостаточно обоснованными в области рыночного подхода, особо важной является точность мультипликаторов. Сложно представить себе использование какого-либо инструмента без понимания того, насколько точные результаты данный инструмент может обеспечить.

Говоря о точности мультипликаторов, исследователи подразумевают уровень различия между фактическим результатом, полученным через использование того или иного мультипликатора, и неким истинным значением, которое в идеальных условиях должно было быть получено и подразумевается данным подходом.

Разумеется, обобщенная формулировка проблемы, говорящая лишь о «точности мультипликаторов», будет слишком широкой для одного исследования в силу того, что можно придумать некоторое множество вопросов, достойных отдельного рассмотрения, но все же укладывающих в данную наиболее общую формулировку темы.

Так, была выбрана более узкая тема, все также находящаяся в рамках исследования точности мультипликаторов - сравнение точности оценок, полученных с помощью форвардных мультипликаторов и с помощью исторических мультипликаторов.

Причиной выбора именно этой «ветви» описанной ранее общей темы является то, что в условиях непрерывно развивающихся финансовых рынков и появления более развитых инструментов прогнозирования различных показателей в силу улучшения методов сбора и анализа данных, ставится возможным более широкое использование форвардных мультипликаторов помимо «традиционных» исторических.

На данном этапе и появляется неразрешенный спорный момент - стоит ли использовать форвардные мультипликаторы вместо тех, что уже привычно используют все участники рынка.

С одной стороны, даже на интуитивном уровне кажется логичным предпочтительное использование форвардных мультипликаторов, которые могут отражать некоторую информацию касательно будущих проектов компании, которые в ближайшие годы будут генерировать дополнительный доход для компании, что, безусловно, отразится на ее стоимости. Напротив, исторические мультипликаторы несут в себе информацию только о фактически свершившихся фактах и, получается, не учитывают будущее компании.

С другой же стороны, мультипликаторы базируются на наборе некоторых схожих компаний, стоимости которых могут отражать некоторую общую тенденцию в будущем развитии, характерным, к примеру, для некоторой отрасли в целом. Более того, по мнению некоторых исследователей, аналитиков, и участников рынка, форвардные мультипликаторы, базирующиеся на прогнозах аналитиков касательно величин, необходимых для расчета данных мультипликаторов, несут в себе двойные риски. Иными словами, помимо общей нормы погрешности, характерной рыночному подходу в принципе, форвардные мультипликаторы также несут в себе погрешности и ошибки аналитиков в предсказании различных показателей деятельности компании. Так, получается некоторое удвоение погрешностей, что может привести к сильно смещенным результатам оценки.

Очевидно, поверхностного ясного разъяснения обозначенной ситуации нет, поэтому именно сравнение точности оценок форвардных и исторических мультипликаторов будет основной проблемой дальнейшего анализа.



Теоретический базис.

Перед тем как непосредственно переходить к подробному и более глубокому рассмотрению узкой и специфической проблемы, описанной выше, необходимо дать краткую характеристику и общее описание рыночному подходу в принципе.

Согласно федеральным стандартам оценки рыночный подход представляет собой «совокупность методов оценки стоимости объекта оценки, основанных на сравнении объекта оценки с объектами - аналогами объекта оценки, в отношении которых имеется информация о ценах. Объектом - аналогом объекта оценки для целей оценки признается объект, сходный объекту оценки по основным экономическим, материальным, техническим и другим характеристикам, определяющим его стоимость» Федеральный Стандарт Оценки № 1 "Общие понятия оценки, подходы к оценке и требования к проведению оценки (ФСО № 1)", приказ Министерства экономического развития №256 «Об утверждении федерального стандарта оценки «Общие понятия оценки, подходы к оценке и требования к проведению оценки ФСО № 1», 20.07.2007..

Данное определение, очевидно, весьма широкое и требует уточнений. Согласно Damodaran (2008), рыночный подход к оценке подразумевает нахождение стоимости актива или компании исходя из фактического ценообразования на схожие активы/компании, стандартизованные по какому-либо признаку. В качестве таких признаков базово Дамодаран предлагает стандартные показатели: денежные потоки, балансовая стоимость, чистая прибыль, выручка. Вопрос касательно того, что же подразумевать под «схожей» компанией\активом будет рассмотрен далее, а пока все же остановимся на принципах рыночного подхода.

Базовые принципы данного подхода являются общепринятыми и устоявшимися правилами. Основной предпосылкой рыночного подхода является предположение о том, что рынок в целом рационален и в среднем правильно оценивает акции компаний, но иногда на отдельных бумагах может допускать ошибки. Тем не менее, участники рынка могут это отследить, что станет катализатором для исправления ситуации со временем. Так, не только Дамодаран, но и другие классические фундаментальные работы и монографии в области оценки - Copeland et al. (1994), Palepu et al. (2000) - сходятся в том, что рыночный подход делится на 2 главных направления: использование фундаментальных мультипликаторов и сравнительных мультипликаторов.

Фундаментальные мультипликаторы относятся скорее к нормативной точке зрения и показывают, какой мультипликатор в идеальном случае должна иметь данная компания при наличии у нее некоторых конкретных фундаментальных показателей, таких как долгосрочный рост, рентабельности (по разным показателям), уровень риска. Фундаментальные мультипликаторы очень хорошо подходят для того, чтобы прослеживать влияние различных фундаментальных переменных на значение некоторого мультипликатора. К примеру, можно довольно просто ответить на вопрос «Как изменится отношение рыночной капитализации к чистой прибыли компании при изменении ее долгосрочных темпов роста?» при помощи фундаментальных мультипликаторов. Данный тип мультипликаторов, по сути, использует тот же набор необходимых данных, что и DCF-модели. Поэтому, DCF-модель, при прочих равных в терминах используемых данных, даст такую же оценку, как и данный тип мультипликаторов (Damodaran 2008).

Основным же и наиболее интересным с точки зрения дальнейшего исследования является сравнительный тип мультипликаторов. Сравнительные мультипликаторы рассчитываются на основе некоторого показателя, который необходимо оценить (value measure) и показателя, характеризующего операционную деятельность компании (value driver).



Направление сравнительных мультипликаторов делится на 2 основных метода: транзакционный метод и метод публичной компании.

Транзакционный метод в основном применим в сфере сделок M&A и использует мультипликаторы, основанные на данных о недавно совершенных сделках слияний и поглощений. Данный метод не является универсальным и распространенным в силу того, что информация о сделках M&A зачастую не находится в свободном доступе и требует больших усилий, чтобы ее найти. Так, данный метод не будет являться предметом дальнейшего рассмотрения в рамках анализа данной работы. Далее, внимание будет сконцентрировано именно на методе публичной компании.

Метод публичной компании подразумевает поиск схожих с объектом оценки публично торгуемых компаний и на основе информации касательно финансового положения данных компаний и их текущей стоимости, оцененной рынком, получение сравнительных мультипликаторов и оценки стоимости таргетируемой компании.

На более понятном примере этот процесс будет выглядеть следующим образом. Допустим, целью оценки является некоторая компания «А». На фондовом рынке представлены несколько компаний, схожих с таргетируемой. Также в силу того, что данные компании котируются на фондовом рынке, можно быстро и просто получить значения их рыночных капитализаций и стоимостей компаний целиком, как их оценивает рынок.

На основе этих показателей несложно получить отношение стоимости компании к чистой прибыли, к примеру, что и будет одним из возможных сравнительных мультипликаторов. Так, для каждой из схожих компаний необходимо посчитать один и тот же мультипликатор, некоторым образом усреднить значения данных мультипликаторов, чтобы получить рыночный мультипликатор для данного типа компаний. Полученный рыночный мультипликатор следует умножить на соответствующий мультипликатору value driver, полученный из финансовых данных оцениваемой компании.



Так, получается оценка выбранного типа value measure.

Отметим, что пример выше является крайне упрощенным и был приведен исключительно для создания более понятной схемы использования рыночного подхода.

Несмотря на кажущуюся простоту метода, существует ряд ограничений на его использование. Нельзя выбрать абсолютно любой мультипликатор, какой только возможно придумать, и применить в любой ситуации, хотя так может показаться на первый взгляд.

Во-первых, мультипликатор должен быть составлен так, чтобы value measure и value driver соответствовали друг другу. Должны быть одинаковые базы, генерирующие данные показатели. Иными словами, рыночная капитализация отражает рыночную стоимость акций, что генерируется за счет собственного капитала. Так, для мультипликаторов, где value measure отражает показатель, генерируемый собственным капиталом, value driver тоже должен отражать показать, приходящийся на собственный капитал - к примеру, балансовая стоимость собственного капитала, чистая прибыль. Аналогично и для стоимости компании в целом - нельзя построить мультипликатор как отношение всей стоимости к чистой прибыли, к примеру, так как вся стоимость компании генерируется и заемным и собственным капиталом. Таким образом, наиболее базовыми драйверами для стоимости компании в целом являются выручка, EBITDA (прибыль до вычета процентов, налога, амортизации), FCFF (свободный денежный поток для фирмы).

Во-вторых, рыночный подход (а именно метод сравнительных мультипликаторов) не всегда может быть применим. К примеру, оценить компанию, не имеющую аналогов в принципе в рамках экономики страны, к которой она относится, может быть крайне сложно. Использование аналогов из других стран и других рынков (по типу развитости финансового рынка) может привести к значительным расхождениям. Также нельзя использовать многие мультипликаторы, если компания имеет отрицательные прибыли, так как отрицательные мультипликаторы будут приводить к отрицательной стоимости, даже если компания имеет положительную стоимость, несмотря на то, что терпит убытки.

Итак, из общего описания видны несколько вопросов, имеющих значительное влияние на рыночный подход, и которые далее необходимо рассмотреть, чтобы окончательно перейти к рассмотрению узкой темы - форвардных мультипликаторов.

Очевидно, необходимо более подробно рассмотреть такие вопросы как: выбор драйверов для мультипликаторов, выбор схожих компаний, получение рыночного мультипликатора, и что же подразумевать под точностью оценки.

Обзор литературы.

Точность оценки.

В теоретическом базисе было установлено, что рыночных подход дает оценку стоимости, несколько отличной от результатов, к примеру, моделей DCF. Рыночный подход опирается на рынок и дает оценку именно приблизительной рыночной стоимости. Так, можно ожидать, что данный подход отвечает на вопрос: «как рынок должен оценивать данный актив?».

Таким образом, когда мы оцениваем, к примеру, рыночную капитализацию компании через мультипликаторы, мы получаем оценку рыночной капитализации, согласно тому, как эту компанию оценивал бы рынок. Однако если текущая рыночная капитализация известна, то текущая рыночная капитализация как раз и отражает то, как рынок оценивает данную компанию.

Так, большинство авторов (Kang (2016), Liu et al. (2002), Yoo (2006), Alford (1992), и другие) определяют точность оценки именно через относительную ошибку относительно текущей стоимости, отражаемой рынком.

Выбор драйверов для мультипликаторов.

Как уже упоминалось ранее базовые фундаментальные работы (Damodaran (2006), Copeland et al. (2000), Palepu et al. (2000)) приводят ключевые требования к тому, как мультипликаторы должны применяться. В качестве основных драйверов приводятся денежные потоки, балансовая стоимость собственного капитала, выручка, EBITDA, чистая прибыль. Более того, данные работы упоминают специфические мультипликаторы для отраслей - к примеру, Стоимость бизнеса к аудитории для медиа-каналов или Стоимость бизнеса к объему признанных запасов некого ресурса для добывающей промышленности. Однако исчерпывающих аргументов в пользу использования тех или иных мультипликаторов для различных индустрий или случаев авторы не приводят. Также вопрос сравнения точности данных мультипликаторов не затрагивается.

Yong Keun Yoo (2006) строит свой сравнительный анализ мультипликаторов на базе следующих отношений: рыночная капитализация к балансовой стоимости капитала, рыночная капитализация к чистой прибыли, рыночная капитализация к выручке, общая стоимость компании к выручке, общая стоимость компании к EBITDA. Мотивирует подобный выбор автор тем, что данные мультипликаторы наиболее часто используются, информация для их подсчета наиболее просто получаема, результаты оценки через данные мультипликаторы, согласно автору наиболее устойчивые.

Также Baker и Ruback (1999) проанализировали точность мультипликаторов основанных на выручке, EBITDA, EBIT. Результаты показали, что EBITDA в подавляющем большинстве случаев значительно превосходит EBIT в терминах точности получаемой итоговой оценки. Что же касается сравнения EBITDA и выручки - однозначно интерпретируемых выводов авторы не дают, так как характер точности данных мультипликаторов относительно друг друга не был постоянным.

Исследование Beatty et al. (1999), проводимое на значительной выборке компаний, использовало в качестве инструментов оценки следующие основные драйверы: чистую выручку, балансовую стоимость собственного капитала, дивиденды, денежные потоки, общую балансовую стоимость активов. Методология подразумевала сравнение результатов оценки как отдельных мультипликаторов между собой обособленно, так и сравнение результатов оценки возможных комбинаций различных мультипликаторов. Анализ показал, что неожиданно точным вариантом оказалась комбинация балансовой стоимости собственного капитала и чистой прибыли. Остальные же 3 драйвера уступают как в индивидуальном, так и в комбинированном виде уступают в точности комбинированной оценке на основе чистой прибыли и балансовой стоимости собственного капитала.

Tasker (1998) же показывает, что использование специфических мультипликаторов для различных индустрий в некоторых отдельных случаях может улучшить точность оценки, но на общих данных данное правило не подтверждается.

Выбор схожих компаний.

Не вызывает сомнений тот факт, что одним из недостатков рыночного похода является возможность манипулировать результатами в зависимости от того, какой набор сопоставимых компаний выбирается. При этом каждый набор может быть по-своему верно обоснован, но результаты могут сильно варьироваться. Далее рассмотрим, как следует подходить к этому вопросу, ведь он может оказать значительное влияние на дальнейший ход и результаты исследования.

Наиболее общим и базовым подходом к отбору сравнимых компаний, согласно мнению Дамодарана (Damodaran (2006), является поиск максимально похожих компаний. Так, чтобы использовать некоторую компанию в качестве схожей для подсчета рыночного мультипликатора, эта компания практически полностью повторять оцениваемую и, следовательно, соответствовать следующим критериям:

Деятельность в аналогичной индустрии;

Деятельность на аналогичном рынке товаров или услуг;

Аналогичный размер;

Аналогичные долгосрочные темпы роста;

Аналогичная рентабельность и денежные потоки;

Аналогичные риски;

Аналогичный показатель финансового рычага.

Не требуется особо подробных пояснений, чтобы показать, что при подобном наборе ограничений зачастую просто невозможно подобрать и одной схожей компании. Даже если множество подходящих компаний окажется ненулевым, то с большой вероятностью оно будет содержать крайне небольшое количество компаний.

Отсюда появляется следующий вопрос, какое же минимальное количество схожих компаний необходимо подобрать.

Зачастую можно услышать мнение, что необходимо подобрать хотя бы 5-7 схожих компаний. Это распространенное мнение, но его характер скорее эвристический, нежели научно обоснованный.

Безусловно, проводились исследования, целью которых ставилось нахождение оптимальной методологии отбора схожих компаний. Так, к примеру, Cheng и McNamara (2000) предложили использовать оптимальное количество отбираемых схожих фирм на уровне 6 штук. Данный факт, очевидно, несколько подтверждает эвристическое предположение, но сам анализ, который привел к данному результату, вызвал множество вопросов в научном сообществе.

Kang (2016) провел анализ того, как меняется средне-медианная ошибка оценки при изменении количества компаний, используемых в качестве сравнимых. Автор показал, что, действительно, есть случай, когда оптимальное количество фирм равно 6. Если проводить отбор только по индустрии, то после 6-ой фирмы средняя ошибка перестает падать и остается практически неизменной, незначительно флуктуируя в окрестности значения ошибки при использовании 6 компаний. Однако это не означает, что 6 компаний - оптимально в глобальном смысле. Если, далее получает автор, использовать больше критериев отбора: включить, к примеру, схожесть по размеру и прибыльности, то оптимальное количество компаний смещается до 10-12, дальнейший же прирост меняет значения получаемых в среднем медианных ошибок незначительно. Следует отметить, что прирост необходимого количества компаний не означает ухудшение метода, так как теперь в целом достигается в принципе меньший уровень ошибок, а минимум для этого метода достигается с включения 12 компании.

В целом же, многие исследователи, занимающиеся обработкой больших массивов данных используют все доступные компании в качестве сравнимых, но производя корректировки на различия в основных показателях. Такой подход описывал как Damodaran (2006), предлагая использовать регрессионный анализ, чтобы получить необходимые коэффициенты корректировки различий в мультипликаторах, так и использовали другие исследователи в своих эмпирических работах (Brahmana и Hooy (2011), Kang (2016)).

Также Alford (1992) проводил исследование того, как изменяется точность оценки мультипликаторов при изменении состава критериев для отбора схожих компаний. Согласно полученным им результатам, именно контроль совпадения индустрий схожих компаний и оцениваемой компании приносит наибольшую долю в получение точности мультипликаторов. В свою очередь наличие размера, уровня долговой нагрузки и темпов роста в списке критериев отбора сравнимых компаний никак не увеличивает точность оценки мультипликаторов.

Вычисление рыночного мультипликатора.

Когда выбран мультипликатор, на основе которого будет оцениваться стоимость компании, и отобраны сравнимые компании, на основе которых будет оцениваться рыночный мультипликатор, остается определить, каким же образом получить значение рыночного мультипликатора.

На интуитивном уровне, исходя из предпосылок рыночного мультипликатора, можно предположить, что достаточно просто взять среднее по соответствующим мультипликаторам схожих компаний. Тогда получается оценка исходя из среднерыночной ситуации.

Однако существуют подходы, которые дают более точные результаты. Так Damodaran (2006) предлагает использовать медианное значение мультипликаторов среди сравнимых компаний.

Beatty et al. (1999), Baker et al. (1999) и Liu et al. (2002) эмпирическим путем доказывают, что использование гармонического среднего в подсчете рыночного мультипликатора дает более точные итоговые оценки стоимости по сравнению с медианой и арифметическим средним.

Форвардные мультипликаторы.

Исследование форвардных мультипликаторов проводилось несколькими исследователями. Liu et al. (2002) сравнил различные мультипликаторы на основе довольно узкой выборки. Согласно его результатам, форвардные мультипликаторы в целом дают более точные результаты.

Beatty et al. (1999), однако, приходит к противоположным результатам: автор утверждает, что комбинация исторических мультипликаторов значительно превосходит по точности оценки форвардных мультипликаторов.

Brahmana и Hooy (2011) же провели исследование на максимально широкой выборке, проверив точность как индивидуальных мультипликаторов, так и их комбинаций, и пришли к выводу, что форвардные мультипликаторы все же точнее исторических в большинстве случаев (были приведены несколько случаев, когда исторические мультипликаторы оказались точнее, что впрочем, не было классифицировано как правило).

Очевидно, в области исследования данной проблемы нет некоторого фиксированного подхода и строгого полученного результата, на который однозначно можно было бы положиться. Вероятно, данные различия можно объяснить разными подходами к формированию выборки данных и методами анализа. Так, далее будет проведен анализ, ставящий своей целью найти «aurea mediacrtitas» в области исследования форвардных мультипликаторов.

Методология.

На основе уже имеющейся практики, описанной в обзоре литературы, далее необходимо описать методы, используемые проводимым анализом.

Выгрузка данных произведена по компаниям, принадлежащим к финансово развитым финансовым рынкам, согласно методу научной абстракции, дабы попытаться исключить некоторые дополнительные взаимосвязи, связанные с различием в уровне развития финансового рынка. Более подробное описание данных будет представлено в следующей главе.

В качестве основных драйверов стоимости (value drivers) были выбраны следующие величины: выручка, EBITDA, чистая прибыль, балансовая стоимость капитала. Причина, по которой из всех драйверов стоимости собственного капитала взяты именно чистая прибыль и балансовая стоимость капитала, заключается в том, что Beatty et el. (1999) показал, что именно эти драйверы показывают наиболее точные оценки. Далее многие исследователи (Brahmana и Hooy (2011), Yoo (2006), Liu (2002)) также рассматривают их в качестве основных драйверов стоимости, приходящихся на собственный капитал. Что же касается выручки и EBITDA, аналогичным образом Baker и Ruback (1999), Yee (2004) выделили именно EBITDA и выручку в качестве основных драйверов стоимости, приходящейся на весь капитал (собственный и заемный).

Расчет мультипликаторов производится согласно их определению, описанному в главе «теоретический базис».

Как видно из обзора литературы, нет единого строгого подхода ни к определению схожих компаний, ни к подсчету рыночного мультипликатора. Так, далее в анализе использованы различные и методики, и предоставлено их сравнение. В частности, в качестве алгоритмов отбора схожих компаний б проверено 3 способа:

Использование всех доступных компаний i-ой отрасли j-го года и корректировка их мультипликаторов на показатели размера, прибыльности, долговой нагрузки, аппроксимации рисковости. Показатель темпов роста будет элиминирован, так как эмпирическим путем доказана его незначительность в отборе сравнимых компаний и так как данный показатель не может быть применен по отношению к компаниям, имевшим отрицательную чистую прибыль;

Использование компаний-копий, согласно критериям отбора, описанным в прошлом пункте. Очевидно, именно компаний-копий найти не удастся, поэтому будут использоваться такие компании, основные показатели которых (критерии отбора) укладываются в некоторый небольшой интервал (5%) относительно оцениваемой компании.

На основе выбранных сравнимых компаний, рыночный мультипликатор оценивался не только классическим способом через нахождение медианы, но и согласно ранее описанным исследованиям, через нахождение гармонического среднего. Результаты данных подходов также противопоставлены друг другу.

Получение финальной оценки производится путем домножения рыночного мультипликатора на соответствующий драйвер стоимости оцениваемой компании. В случае нахождения взвешенного среднего для оценок различных мультипликаторов итоговая оценка будет выглядеть следующим образом.

В данной формуле параметр a некоторым индексом означает вес оценки некоторым конкретным мультипликатором, а P с некоторым индексом - саму оцененную стоимость через этот мультипликатор.

Веса для данного среднего взвешенного оценены через регрессионную модель с учетом панельной структуры. В данной секции также рассмотрено 2 сценария: определение весов на всей выборке данных и определение весов для каждой отдельной индустрии обособленно.

Точность оценок вычислялась по формуле относительной ошибки:

Так, ошибки вычислялись для всех использованных методов оценки.

Для сравнения точности данных методов в целом были использованы следующие параметры:

Распределение ошибок;

Среднее и медиана ошибок;

Среднее и медиана абсолютных ошибок;

Доля абсолютных ошибок, превышающих 15 % (согласно Liu et al. (2002)).

Описание данных.

В целях проведения эмпирического исследования были выгружены данные по следующим показателям:

Enterprise Value;

Market Capitalization;

Debt/Equity ratio;

EBITDA margin;

ROE;

EBITDA;

Earnings;

Book Value;

Total Revenue;

Прогнозируемое значение EBITDA;

Прогнозируемое значение Earnings;

Прогнозируемое значение Revenue;

Мультипликатор Enterprise Value/Total Revenue;

Мультипликатор Enterprise Value/EBITDA;

Мультипликатор Market Capitalization/Earnings;

Мультипликатор Market Capitalization/Book Value;

Форвардный мультипликатор Enterprise Value/Total Revenue;

Форвардный мультипликатор Enterprise Value/EBITDA;

Форвардный мультипликатор Market Capitalization/Earnings;

Для выгрузки данных использовались базы данных: S&P Capital IQ (далее Capital IQ) и Bloomberg. Прогнозы и форвардные мультипликаторы выгружены из Capital IQ и являются оценками аналитиков Capital IQ.

Спецификация выборки.

Для проверки поставленных гипотез использовались данные стран с развитыми финансовыми рынками. Так, в качестве географического критерия отбора была выбрана Северная Америка, а именно США и Канада.

Сбор данных проводился по 8 наиболее общим отраслям:

Energy;

Industrials;

Financials;

Healthcare;

Information technologies;

Materials;

Telecommunication services;

Utilities;

Оставшиеся отрасли не были затронуты в силу того, прогнозные данные по этим отраслям были представлены в незначительном виде. Имели место провалы в данных для некоторых годов, в силу чего могли получиться смещенные результаты в пользу того или иного вида мультипликаторов.

Более того, компании, данные по которым были выгружены, должны были быть обязательно публичными компаниями с ненулевой рыночной капитализацией. Также к компаниям предъявлялось требование, исходя из которого, они должны были иметь статус операционно активной компании по итогам года, за который выгружались данные. Иными словами, если данные относились, к примеру, к 2011 году, то для этого года в выборку включались только те компании, которые на протяжении 2011 года вели операционную деятельность.

Временной промежуток был выбран между 2011 и 2016 годом, включая оба из них. Логика выбора именно этого временного горизонта объясняется несколькими целями и ограничениями, преследуемыми во время сбора данных:

Данные должны максимально отражать последние тенденции, так как финансовая и экономическая конъюнктура стремительно меняются с течением времени, влияя на то, как проявляются те или иные законы и экономические взаимосвязи.

Должны присутствовать исторические данные за несколько лет, чтобы была возможность прослеживать тенденции исследуемой проблемы во времени, тем самым показав или опровергнув устойчивость выводов в разрезе разных моментов времени.

В рамках подготовки данного исследования не удалось избежать ограничений касательно объемов выгружаемых данных. Так, необходимо было выбрать временной промежуток, удовлетворяющий первым двум требованиям и содержащий не слишком большой массив данных.

Так, был выбран пост-кризисный период развития экономик США и Канады в период 2011 - 2016 годов. Также подобный временной горизонт позволяет исключить возможное влияние кризиса на анализируемую проблему, что не является предметом рассмотрения настоящего исследования.

Одним из важнейших критериев отбора компаний, разумеется, было наличие прогнозов по выше приведенным показателям, чтобы возможно было вычислить форвардные мультипликаторы.

После выгрузки данных, но до начала их обработки, панель насчитывала немногим более 6 000 наблюдений. Получается, в среднем за год панель содержала около 1000 компаний, что давало в среднем более 125 компаний на отрасль. Однако стоит учитывать тот факт, что это необработанные данные.

Дальнейший анализ данных показал, что панель содержит данные далеко не по всем показателям для каждого конкретного года и конкретной компании. Так, с помощью Bloomberg была предпринята попытка устранить некоторые пробелы в данных, что частично решило проблему пробелов в данных. Остальные же наблюдения, не содержащие значения строго для всех переменных, были удалены.

Таким образом, в панели осталось 3694 наблюдения, что соответствует в среднем 615,7 наблюдениям за год.

Более подробная структура данных представлена ниже.

Таблица 1 - Количество компаний в разрезе индустрии и момента времени.

	2011	2012	2013	2014	2015	2016
Energy	10	10	10	10	10	13
Financials	84	88	91	98	51	45
Healthcare	82	82	82	82	82	82
Industrials	130	130	130	130	130	94
IT	153	159	153	169	165	176
Materials	77	77	77	77	77	77
Telecommunication Services	12	14	11	14	13	11
Utilities	69	72	73	74	70	68

Таблица 2 - Доли конкретной индустрии в общей структуре наблюдений в терминах количества компаний.

	2011	2012	2013	2014	2015	2016
Energy	2%	2%	2%	2%	2%	2%
Financials	14%	14%	15%	15%	9%	8%
Healthcare	13%	13%	13%	13%	14%	14%
Industrials	21%	21%	21%	20%	22%	17%
IT	25%	25%	24%	26%	28%	31%
Materials	12%	12%	12%	12%	13%	14%
Telecommunication Services	2%	2%	2%	2%	2%	2%
Utilities	11%	11%	12%	11%	12%	12%

Также необходимо обозначить единицы измерения выгруженных данных. Все данные, отражающие абсолютные величины - рыночная капитализация, стоимость фирмы, выручка, EBITDA, чистая прибыль, балансовая стоимость собственного капитала (а также их форвардные значения) - измеряются в миллионах рублей.

Валюта не представляет особого интереса в рамках дальнейшего исследования, так как основным объектом рассмотрения будут мультипликаторы - величины относительные и не имеющие никаких размерностей.

Далее перейдем к описательным статистикам наиболее важных переменных.

Стоимость компании.

Данный показатель отражает общую стоимость фирмы - то есть стоимость ее собственного и заемного капитала. В общем случае стоимость фирмы рассчитывается как сумма стоимостей обычных и привилегированных акций, интереса меньшинства, рыночной стоимости долговых обязательств за вычетом денежных средств и их эквивалентов.

Таблица 3 - Описательные статистики для EV.

Как видно из таблицы, минимальная стоимость компании составила 2,31 млн. рублей, а максимальная - 25,8 трлн. рублей. Средняя стоимость компании по всем наблюдениям составила 47 млрд. рублей (при стандартном отклонении в 516 млрд.). Подобное большое стандартное отклонение в выборке объясняется наличием ряда компаний с необычно большой по сравнению с остальной выборкой стоимостью. Девятая дециль составила всего 40 млрд., что меньше среднего значения - все так же за счет наличия нескольких крайне «дорогих» фирм-аутлайеров. На данном этапе их исключение из выборки не является необходимым, так как методы оценки, которые будут рассмотрены далее, должны быть применимы к компаниям с любыми масштабами стоимостей. Также наличие подобных фирм позволит в дальнейшем провести сценарный анализ гипотез с учетом этих фирм и без них. Для большей наглядности далее представлена гистограмма для совокупной выборки.

График 1.

Основная часть компаний смещена ближе к меньшим значениям. Поэтому разобьем всю выборку на 3 группы, согласно децилям: «более дешевые» компании - первые 10% ранжированного ряда, основная выборка - 10-90%, «более дорогие» компании - последние 10%.

Так, далее представим структуру наблюдений по основной выборке.



График 2.

Распределение значений гистограммы немногим напоминает нормальное распределение, хоть и далеко от его «стандартного» вида. Красным цветом выделена плотность вероятности для эмпирического распределения, полученного путем аппроксимации распределения по имеющимся данным. Вероятно, здесь может иметь место усеченное нормальное распределение, так как отсекаются все значения, меньшие 366,7 млн. рублей, и общая стоимость фирмы за редкими исключениями должна быть неотрицательной.

Таблица 4 - Описательные статистики для EV - основная выборка.

Теперь, среднее значение составило порядка 7 млрд. рублей при стандартном отклонении в 8,7 млрд., 90% наблюдений же расположилось между значениями 724 млн. рублей и 19,8 млрд. рублей. Медиана и среднее значение не совпадают, что является аргументом против нормального распределения. Однако включение в выборку нулевых и отрицательных значений может изменить соотношение среднего и медианы и сделать их примерно равными.

Рыночная капитализация.

Рыночная капитализация отражает текущую (на некоторую конкретную дату) стоимость торгуемых на рынке обыкновенных акций компании. Базово она рассчитывается как произведение количества торгуемых акций на цену за одну акцию.

Следующие статистики характеризуют полученные данные по рыночной капитализации.

драйвер мультипликатор выборка капитализация

Таблица 5 - Описательные статистики для рыночной капитализации

Разброс значений довольно велик: от 2,14 млн. до 22,9 трлн. рублей. При этом 90% значений укладываются в капитализацию менее 33,2 млрд. рублей. Средняя капитализация по всем наблюдениям составила 41,6 млрд. рублей.

В обшей выборке поведение данного показателя будет похоже на поведение стоимости компании, поэтому сразу дополнительно опишем центральные 90% наблюдений.

График 3.



Красным цветом выделена плотность вероятности для эмпирического распределения, полученного путем аппроксимации распределения по имеющимся данным. Столбцы отражают гистограмму с плотностью по оси ординат.

Таблица 6 - Описательные статистики для рыночной капитализации - основная выборка.

Теперь, среднее значение составило порядка 5,6 млрд. рублей при стандартном отклонении в 8,7 млрд., 90% наблюдений же расположилось между значениями 635,9 млн. рублей и 15,5 млрд. рублей. Медиана и среднее значение не совпадают, что является аргументом против нормального распределения. Однако включение в выборку нулевых и отрицательных значений может изменить соотношение среднего и медианы и сделать их примерно равными.

Мультипликатор Р/Е.

Мультипликатор, относящийся к классу «equity multiples», который рассчитывается как отношение рыночной капитализации к чистой прибыли (или же цены акции к EPS - чистой прибыли в расчете на одну акцию).



Таблица 7 - Описательные статистики для P/E в разрезе индустрий.

Таблица 8 - Описательные статистики для форвардного P/E (+1) в разрезе индустрий.

Форвардный P/E аналогично историческому является отношением рыночной капитализации к чистой прибыли. Однако в случае форвардного мультипликатора эти показатели уже не являются достоверными историческими данными, которые могут быть получены из отчетности компании и данных о рыночной стоимости компании. Теперь, эти показателя являются прогнозами аналитиков относительно value measure и value driver.

В данной работе все форвардные величины прогнозируются на следующий финансовый год.

Исходя из усредненных данных, видно, что в целом форвардные мультипликаторы показывают меньшее будущее отношение рыночной капитализации к чистой прибыли. Только сфера информационных технологий в среднем показывает более высокий форвардный мультипликатор P/E.

Мультипликатор P/BV.

Данный мультипликатор представляет собой отношение рыночной капитализации к балансовой стоимости собственного капитала.

Таблица 9 - Описательные статистики для P/BV в разрезе индустрий.

Данные по другим индустриям представлены на следующей странице.



К сожалению, указанные выше базы данных не предоставляют данные по форвардным значениям мультипликатора P/BV, поэтому данный показатель в дальнейшем будет использоваться только в качестве исторического мультипликатора.

Мультипликатор EV/EBITDA.

Так как EBITDA уже генерируется как собственным, так и заемным капиталом, то для использования EBITDA в подсчете мультипликаторов необходимо выбрать соответствующий value measure. Поэтому, именно стоимость всей фирмы, включающей стоимость долговых обязательств, служит в качестве value measure.



Таблица 10 - Описательные статистики для EV/EBITDA в разрезе индустрий.



Таблица 11 - Описательные статистики для форвардного EV/EBITDA в разрезе индустрий.

В отличие от предыдущих мультипликаторов EV/EBITDA в большей степени варьируется между отраслями. Более того, форвардный EV/EBITDA имеет более значительные расхождения со своей исторической версией по сравнению форвардным P/E. Данный факт может быть связан с тем, что стоимость фирмы учитывает стоимость долга. При этом привлечение заемного капитала может сильно различаться в различных индустриях. К примеру, компании, занимающиеся информационными технологиями и в силу специфики индустрии имеющие в основном нематериальные активы, не могут получить значительные долгосрочные займы. Показатель EBITDA не учитывает различия в долговом рычаге, так как отражает средства, генерируемые всем капиталом. Так, для некоторых отраслей мультипликатор показывает отношение value measure к value driver, которые генерируются в основном собственным капиталом, а для некоторых отраслей - и собственным, и заемным. Поэтому могут порождаться описанные различия между индустриями. Впрочем, казалось бы, данная закономерность должна быть справедлива в целом для мультипликаторов, основанных на стоимости компании, по сравнению с мультипликаторами, основанными на рыночной капитализации, но на данных EV/Revenue подобная закономерность не прослеживается.

Мультипликатор EV/Revenue.

Данный мультипликатор рассчитывается как отношение стоимости компании к выручке и является наиболее общим, так как нивелирует различия в структуре капитала компании и даже в операционных издержках.

Таблица 12 - Описательные статистики для EV/Revenue в разрезе индустрий.



Таблица 13 - Описательные статистики для форвардного EV/Revenue в разрезе индустрий.

Исследование.

Целью настоящего исследования является определение достоверности гипотезы о том, что форвардные мультипликаторы являются наиболее точным инструментом оценки среди всех сравнительных мультипликаторов.

Таким образом, объектом исследования является описанный ранее пул компаний, входящих в выборку.

Предметом исследования является использование форвардных мультипликаторов в целях увеличения точности оценок.

В качестве задач выделяется: сбор данных, их обработка и подготовка к анализу, оценка компаний, вошедших в выборку всеми установленными методами, сравнение результатов оценки, построение выводов.

На основе анализа обзора литературы и методологии были выдвинуты следующие гипотезы, которые будут тестироваться в дальнейшей части исследования:

Точность индивидуальных форвардных мультипликаторов выше, нежели точность индивидуальных исторических мультипликаторов;

Точность индивидуальных форвардных мультипликаторов выше, чем точность комбинации исторических мультипликаторов;

Точность индивидуальных форвардных мультипликаторов выше, чем комбинация форвардных и исторических мультипликаторов;

Точность комбинации форвардных мультипликаторов выше, чем точность индивидуальных форвардный мультипликатор;

Комбинация форвардных мультипликаторов обладает большей точностью, чем комбинация исторических и индивидуальные исторические мультипликаторы;

Форвардный Р\Е обладает наибольшей точностью среди всех мультипликаторов (так как подобная гипотеза выдвигалась в ряде работ на рассматриваемую тему).

Далее, непосредственно перейдем к рассмотрению и тестированию гипотез.

Индивидуальные мультипликаторы.

Для начала рассмотрим все индивидуальные мультипликаторы. Как уже упоминалось ранее, в данной работе индивидуальные мультипликаторы чувствительны к тому, каким конкретно образом их считать: в частности какой метод отбора сравнимых компаний использовать и как получать итоговый рыночный мультипликатор.

Для начала был использован метод отбора компаний-копий. Так как объективно на всем рынке невозможно найти полную копию некоторой компании, то, разумеется, было принято допущение, согласно которому основные показатели по критериям отбора схожих компаний (ROE, LT D/E, EDITDA margin, Size) могли отличаться от аналогичных показателей таргета в интервале 5%.

Вполне ожидаемо, что даже при допущении некоторого небольшого окна для вариации показателей-переменных отбора довольно небольшое количество компаний смогли быть использованы для оценки таргетов. Более того, в очень многих случаях вообще не нашлось ни одной схожей компании в данном диапазоне для многих компаний. Тестовое расширение допустимых границ отличия критериев отбора до 10% не привело к значимым улучшениям в количестве компаний, которое могло бы быть оценено данным методом при использовании полученной выборки.

К сожалению, всего 124 наблюдения за весь временной промежуток могут быть оценены данным способом. Более того, большая часть этих наблюдений приходится на одни и те же компании за разные годы. Таким образом, строить хоть какие-то выводы касательно точности разных мультипликаторов вряд ли представляется возможным на столь маленькой выборке.

Однако возможно попытаться проследить характер того, как меняется точность оценки при использовании различных методик усреднения мультипликаторов схожих компаний для получения рыночного мультипликатора.

График 4. Плотности распределения ошибок рыночного медианного мультипликатора(красный) и среднего гармонического(синий).

Сложно увидеть некоторое явно выраженное превосходство какой-то из методик, так как ошибки и медианного и среднего (среднее гармоническое) мультипликаторов сосредоточены около нуля Медиана и среднее ошибок для медианного мультипликатора равны 0,02 и 0,1 соответственно. Для среднего гармонического данные показатели составили 0,01 и 0,03. . Средняя и медианная ошибка мультипликатора, посчитанного через среднее гармоническое, все же ближе к нулю, чем аналогичные показатели медианного мультипликатора, что может говорить о том, что в среднем оценка через гармоническое среднее приведет к более точным финальным оценкам. Однако, как видно из распределений, медианный мультипликатор все же имеет меньшую дисперсию. Больший разброс значений среднего (среднегармонического) мультипликатора устроен таким образом, что противоположные ошибки нивелируют друг друга, приводя к меньшему среднему в итоге. Так, логично утверждать, что в большем количестве случаев более точным оказывается медианный мультипликатор.

Далее, перейдем к описанию результатов случая, когда все компании отрасли за период принимались за сравнимые, и с помощью регрессии определялся рыночный мультипликатор.

Теперь, для оценки каждой компании за сравнимые принимались все компании за год (на момент оценки таргета) той же отрасли, к которой принадлежит оцениваемая компания. В силу же того, что все компании отрасли не могут выступить в классическом понимании схожих компаний, необходимо провести ряд корректировок на различие в ключевых показателях компаний, чтобы получить адекватный рыночный мультипликатор.

Описанные корректировки были учтены путем подсчета рыночного мультипликатора через предсказание его регрессионной моделью. Так, для каждого i-ой компании в момент времени j составлялась подвыборка из наблюдений, соответствующих году j и индустрии i-ой компании. На основе подобранных наблюдений строилась линейная регрессия, где объясняемой переменной выступал каждый конкретный мультипликатор (P/E, P/BV и так далее), а в качестве объясняющих переменных использовались показатели-критерии отбора: ROE, EBITDA margin, LT D/E, Revenue.

Очевидно, что LT D/E и EBITDA margin отвечают за схожесть леверджа и прибыльности для компаний.

Также важным фактором отбора является размер компании. Выручка использовалась как переменная-прокси для размера (масштаба) компании.

Осталось только определить, как учесть уровень риска. Прямого фактического показателя рисковости компании нет, поэтому в целях аппроксимации рисковости был использован ROE. Manta (2009) показала, что ROE и показатели рисковости бизнеса имеют значимую и устойчивую корреляцию. Более того, Kang (2016) также использует ROE как прокси для рисковости и таргетируемой прибыльности компании.

На основе оцененной модели, объясняющей некоторый конкретный мультипликатор (Р/Е, P/BV, и так далее) через переменные-факторы отбора, предсказывался рыночный мультипликатор для каждого типа мультипликаторов для каждой компании: данные компании i подставлялись в модель, соответствующую данной компании, что давало оценку рыночного мультипликатора.

Далее, соответственно, путем домножения данного мультипликатора на необходимый драйвер стоимости вычислялась оценка стоимости компании или рыночной капитализации (в зависимости от типа используемого мультипликатора).

Так как в целом мультипликаторы делятся на типы «equity based» и «capital based», далее результаты исследования будут отдельно представлены для каждого из типа мультипликаторов, что не свойственно базовой литературе, уделяющей внимание измерению точности оценок. В статьях авторы склонны объединять результаты и, соответственно, ошибки оценок EV и рыночной капитализации. В рамках данной статьи ошибки каждого из типов мультипликаторов будут рассматриваться отдельно, так как нет оснований полагать, что исторические или форвардные мультипликаторы должны показывать примерно одинаковый уровень точности в оценке каждого конкретного вида стоимости (EV и рыночная капитализация).

...