نحوه محاسبه ارزش ذاتی یک سهام

ما قبلاً تعریف ارزش ذاتی را در آموزش اول معرفی کرده ایم. به طور خلاصه ، مقدار ذاتی از 2 قسمت تشکیل شده است:

• کل سود سهام در 10 سال در 10 سال

با شروع این تعریف ، ما 2 هدف یادگیری در اینجا داریم:

• مقدار ذاتی را از 2 روش محاسبه کنید
• در مورد نزولی و راه حل این 2 روش بحث کنید

مقدار ذاتی را به روشی ساده محاسبه کنید

نکته اصلی محاسبه ارزش ذاتی سهام ، پیش بینی عملکرد 10 ساله آینده آن از نظر سود سهام و تغییر ارزش کتاب است. بیایید ابتدا از روش Preston Pysh که در ویدیوی خود استفاده می شود استفاده کنیم. این زیر 2 فرض است:

1. سود سهام 10 ساله بعدی تمایل دارد با 10 سال قبلی یکسان بماند
2. مقدار کتاب تمایل به رشد با نرخ ثابت دارد که می تواند با استفاده از ارزش کتاب 10 سال پیش و ارزش کتاب فعلی محاسبه شود.

بیایید داده های مالی اصلاح شده (بارگیری در اینجا) را از آموزش قبلی بارگذاری کنیم و محاسبه را شروع کنیم. من از سهام اپل برای تظاهرات استفاده خواهم کرد.

(1) سود سهام

طبق فرض اول ما ، سود سهام برای 10 سال آینده ثابت است و می تواند با میانگین سود سهام 10 ساله گذشته محاسبه شود. ما به سادگی می توانیم از عملکرد . mean () برای برآورد سود سهام آینده استفاده کنیم.

بنابراین ، اکنون می توانیم انتظار داشته باشیم که سهام اپل هر سال 2. 12 دلار به سرمایه گذاران بدهد. با این حال ، همانطور که در آموزش توسط پرستون پیش ذکر شد ، در 10 سال 2. 12 دلار معادل 2. 12 دلار در امروز نیست. از آنجا که ما اوراق ملی داریم که می تواند "بدون ریسک" در نظر گرفته شود. بنابراین ، ما نرخ اوراق قرضه ملی 10 ساله را می گیریم و از آن به عنوان نرخ تخفیف استفاده می کنیم تا محاسبه کنیم که امروز پول آینده چقدر ارزش دارد. همانطور که در این وب سایت آمده است ، نرخ بهره برای اوراق ملی 10 ساله امروز 1. 79 ٪ است..

نتیجه به این معنی است که اگر از 2. 01 دلار برای خرید اوراق ملی 10 ساله امروز استفاده کنیم ، به دلیل علاقه به 2. 12 دلار در 3 سال افزایش می یابد.

ما می توانیم این محاسبه را برای 10 سال آینده تکرار کنیم ، اما یک روش آسان تر استفاده از حلقه برای حلقه است.

بنابراین ، ما برای سود سهام 10 ساله آینده از اپل تخمین می زنیم ، 19. 27 است.

قبل از اینکه به بخش بعدی برویم ، ممکن است بخواهید به این دو چیز توجه کنید. اول ، محدوده (1111) تابع مقدار 1 تا 10 را نشان می دهد ، 11 گنجانده نشده است. دوم ، شما ممکن است متوجه شده باشید که مقادیر NAN در مجموعه داده های ما وجود دارد ، که نشان می دهد داده های گمشده یا اپل در آن سال سود سهام صادر نکرده است. در محاسبه ما ، پاندا به طور خودکار این مقادیر را کاهش داد. اما شما باید در مورد اوضاع بدانید ، ما به روش بعدی به این مسئله باز خواهیم گشت.

اکنون ، بیایید به ارزش کتاب برویم.

(2) ارزش کتاب برای هر سهم

همانطور که متوجه شده اید ، آخرین مقدار ستون تاریخ "TTM" است ، که به معنی "12 ماه دنباله" است ، توضیحات بیشتر در اینجا است. برای راحتی ، من در حال حاضر قصد دارم این ردیف را نادیده بگیرم و در مورد راه های استفاده بعداً از آن صحبت خواهم کرد.

طبق فرض دوم ما ، می توانیم نرخ رشد ساده 10 سال گذشته را از این طریق محاسبه کنیم:

در اینجا ما ابتدا نرخ رشد را از سال 2010 تا 2019 توسط بخش محاسبه کردیم و سپس نهمین ریشه آن را محاسبه کردیم تا نرخ رشد متوسط را بدست آوریم. توجه در اینجا ، اگرچه ما داده های 10 ساله داریم ، فاصله از سال 2010 تا 2019 9 سال است. به همین دلیل ما از ریشه نهم به جای ریشه دهم استفاده می کنیم.

سپس ، ما می توانیم ارزش کتاب آینده را توسط:

(3) مرحله آخر

تاکنون 2 مؤلفه با ارزش ذاتی داریم. با اضافه کردن آنها ، می توانیم ارزش ذاتی سهام اپل را بدست آوریم.

در مقایسه با قیمت فعلی (312. 91 دلار) ، این روش کم است. این می تواند یا به هر دلیلی در این مرحله اپل را بیش از حد بیش از حد کند ، یا ما در محاسبه خود چیزی را از دست دادیم.

(4) محدودیت ها

بیایید ابتدا در مورد نزولی اولین محاسبه صحبت کنیم.

در مرحله اول بیایید به سود سهام اپل در 10 سال گذشته نگاه کنیم. پاندا آنقدر راحت است که می توانید از عملکرد . plot () برای تجسم داده ها استفاده کنید.

و این طرح را به ما می دهد:

همانطور که مشاهده می کنید ، روند صعودی قابل توجهی وجود دارد ، اما ما با در نظر گرفتن میانگین این روند را نادیده می گیریم ، که منجر به تخمین کم ارزش برای سود سهام آینده می شود.

علاوه بر این ، بیایید به ارزش کتاب اپل نگاه کنیم. ما می توانیم آن را به همان روش تجسم کنیم و این طرح زیر را ارائه می دهد.

خط آبی داده های واقعی را نشان می دهد ، خط قرمز مستقیم فقط از نقطه شروع و نقطه پایانی عبور می کند. در روش اول ، ما تغییر ارزش کتاب را به عنوان خط قرمز مشاهده کردیم. نکته منفی این روش این است که تمام اطلاعات موجود در وسط را نادیده گرفت.

به عنوان یک دانشمند داده جالب ، شما می خواهید تمام تلاش خود را برای استخراج هرگونه اطلاعات از داده های خود انجام دهید و رها کردن اطلاعات برای هیچ چیز جالب نیست.

یک رویکرد بهتر - رگرسیون خطی

رگرسیون خطی رویکردی است که ما را قادر می سازد تا از تمام اطلاعات از نقطه داده موجود خود استفاده کنیم. شکل 3 ایده اصلی رگرسیون خطی را نشان می دهد. نقطه آبی داده های ما را نشان می دهد ، خط قرمز فرض ما در مورد داده ها را نشان می دهد. هدف از رگرسیون خطی ، فهمیدن بهترین فرض (خط قرمز) است که داده ها را به بزرگترین درجه متناسب می کند.

من قصد ندارم به جزئیات بپردازم زیرا این هدف از این آموزش نیست. اما اگر علاقه مند هستید ، یک آموزش عالی توسط StatQuest وجود دارد. اما آرزو می کنم برای شما منطقی باشد که به نظر می رسد رگرسیون خطی رویکرد بهتری برای پیش بینی سود سهام آینده و ارزش کتاب است.

در پایتون ، رگرسیون خطی واقعاً 3 خط کد است ، شما فقط باید داده ها را همانطور که عملکرد رگرسیون خطی به آن نیاز دارد قالب بندی کنید ، و سپس داده ها را به عملکرد تغذیه کنید. اگر تجربه قبلی در رگرسیون خطی ندارید ، توصیه می کنم قبل از رفتن به بخش بعدی ، این آموزش دستی را به سمت علوم داده جستجو کنید.

مقدار ذاتی را به روشی بهتر محاسبه کنید

بیایید از رگرسیون خطی برای پیش بینی سود سهام آینده و ارزش کتاب استفاده کنیم ، ببینید که آیا نتیجه متفاوت است یا خیر.

(1) نگهداری از خانه

قبل از شروع برنامه نویسی ، برخی از خانه ها کار می کنند.

در مرحله اول ، بیایید یک ستون جدید "year_order" ایجاد کنیم ، که اساساً [1،2 ، ... ، 10] را به فهرست ما "2010–09" ، "2011-09" اختصاص می دهد ... زیرا زمان نیش مدل خطی را پازل می کند. تا زمانی که آنها را در نظم مناسب نگه داریم ، از نظر وضعیت خوبی خواهیم بود.

این روش اضافه کردن یک ستون جدید در Pandas DataFrame است. اگر از عملکرد . head () برای مشاهده داده ها استفاده می کنید ، اکنون می توانید ستون جدید را مشاهده کنید.

ثانیا ، اجازه دهید یک ستون "رهگیری" اضافه کنیم تا خط رگرسیون ما از عبور از مبدا آزاد شود.(اگر گیج شده اید ، به آموزشی بروید که در بالا توصیه کردم ، در بخش "کمی در مورد ریاضی" بحث شده است)

سوم ، کتابخانه را برای رگرسیون خطی وارد کنید. ما در اینجا از statsmodels استفاده خواهیم کرد ، همانند آموزش توصیه شده.

حالا ، ما خوب هستیم که برویم. بیایید این بار با ارزش کتاب شروع کنیم.

(2) ارزش کتاب برای هر سهم

در زیر نحوه ساخت مدل خطی آورده شده است. به سادگی با عبور از نتیجه و پیش بینی کننده ها ، و روش تماس . fit ().

اکنون بیایید ارزش کتاب را در 10 سال پیش بینی کنیم. از زمان سفارش سال "2019-09" 9 است ، سفارش سال 2029 باید 19 باشد.

اگر دنباله [0] شما را متحیر می کند، تنها یک شاخص است. مدل ما یک آرایه را با یک عدد برمی گرداند، این [0] به سادگی آن عدد را استخراج می کند، که پیش بینی ارزش دفتری در 10 سال آینده است.

همانطور که می بینید، ارزش دفتری در مقایسه با نتیجه رویکرد اول ما به طور قابل توجهی کاهش یافت. این به این دلیل است که کاهش اخیر در ارزش دفتری (پس از سال 2017) همانطور که در تصویرسازی که بر مدل ما تأثیر گذاشت، نشان داده شده است، در نتیجه، یک تخمین محافظه کارانه تر ایجاد کرد. این برای من منطقی‌تر از این است که فرض کنیم شرکت با نرخ ثابتی رشد می‌کند، که تنها از 2 نقطه داده برای 10 سال محاسبه شده است.

(3) سود سهام

توجه لطفا! همانطور که در بالا ذکر شد، در ستون سود سهام ما مقدار NaN داریم. اگر هر داده ای با مقدار NaN را به یک مدل خطی وارد کنیم، آن را می شکنیم زیرا این امر باعث ایجاد خطا در محاسبات ریاضی می شود. بنابراین قبل از آموزش مدل خود باید مقدار NaN را کاهش دهیم.

ما دیتافریم را در یک متغیر جدید ذخیره کردیم، از آنجایی که حذف یک دستکاری غیرقابل برگشت است، حفظ داده های ردیف عادت خوبی است.

حالا می توانیم مدل را بسازیم و پیش بینی کنیم.

عدد 5. 85 سود تخمینی در 10 سال آینده است که بسیار بزرگتر از مقدار میانگین استفاده شده در یک روش ساده است. همانطور که بحث قبلی ما، این یک استنتاج منطقی به دلیل روند صعودی سود تاریخی است.

حالا بیایید از همین روش برای محاسبه سود کل استفاده کنیم.

(4) جمع بندی کنید

جمع کردن 2 قسمت به ما تخمین نهایی ارزش ذاتی را می دهد.

نتیجه بسیار شبیه به نتیجه اول است که حدود 82 است. با این حال، تخمین برای هر جزء بسیار متفاوت است. در مورد این مورد واحد، نتیجه مشابه است، برای شرکت دیگری نتیجه می تواند بسیار متفاوت باشد. در دنیای علم داده، به دلیل ماهیت عدم قطعیت، به سختی پاسخ درستی خواهید داشت. بنابراین، مهم‌ترین چیز این است که برای رویکردی که انتخاب می‌کنید، با ملاحظه باشید و استدلال محکمی داشته باشید. همانطور که در بالا مورد بحث قرار گرفت، من معتقدم که رویکرد دوم به طور مداوم تخمین بهتری نسبت به رویکرد اول ارائه می دهد.

در زیر کد من برای این آموزش است. می‌توانید روی دکمه «Open in Colab» کلیک کنید و این کدها را به صورت آنلاین بازی کنید. اگر مشکل یا ایده ای دارید به من اطلاع دهید.

(5) محدودیت ها و راه حل

اگرچه این روش بهتر از روش اول به نظر می رسد، اما محدودیت هایی دارد.

اولا، اگرچه رگرسیون خطی همیشه می‌تواند پیش‌بینی کند که داده‌ها را در قالب درستی تغذیه می‌کنید، سطح اطمینان آن می‌تواند به میزان قابل توجهی کاهش یابد اگر خود داده‌ها رابطه خطی را نشان ندهند. همانطور که در شکل 4 نشان داده شده است، هر پیش بینی خطی برای داده هایی مانند این می تواند بسیار اشتباه باشد.

حل این مشکل آسان نیست زیرا پیش بینی آینده سخت است. اما حداقل می‌توانستیم بدانیم این مدل چقدر برای پیش‌بینی خود مطمئن است. پارامتر خروجی R-squared می تواند نشانگر خوبی باشد، اساساً نشان می دهد که مدل ما تا چه اندازه می تواند تغییرپذیری در بین داده ها را توضیح دهد. 1 به معنای تناسب کامل، 0 یا منفی به معنای برآورد وحشتناک است. من توصیه می کنم فقط از پیش بینی با R-squared بزرگتر از 0. 8 استفاده کنید، که یک تخمین بسیار مناسب است.

ثانیاً برای شرکت های جوان گزارش مالی کافی برای پیش بینی ما ندارند. بنابراین حتی اگر مدل خطی ما مقدار R-squared بسیار مطمئنی را نشان دهد، ممکن است به دلیل تعداد کم نقطه داده باشد. برای این موضوع، پیشنهاد من این است که همیشه می‌توانید به دنبال شرکت‌هایی با سابقه طولانی باشید یا هر نوع هشدار/ رکوردی را در کد خود اضافه کنید تا شما را در جریان قرار دهد.

ثالثاً، من در این آموزش از "TTM" استفاده نکردم، اما می تواند آموزنده باشد. داده های TTM از گزارش های مالی فصلی به جای گزارش مالی سالانه بدست می آید. در حالی که گزارش‌های سالانه دقیق‌تر هستند (آنها تحت ممیزی خارجی هستند)، گزارش فصلی اطلاعات به‌روزتری را ارائه می‌دهد. رویکرد من برای استفاده از این نقطه داده را می توان به مراحل زیر تقسیم کرد: (1) بر اساس ماه جاری و ماه مالی شرکت تصمیم بگیرید که کدام سه ماهه TTM باشد. به عنوان مثال، اگر شرکت در ماه ژانویه سالانه مالی را منتشر کند، و اکنون اوت است، انتظار دارم که داده‌های TTM از گزارش فصلی دوم آمده باشد.(2) با اضافه کردن 0. 25 (سه ماهه اول)، 0. 5 (سه ماهه دوم)، 0. 75 (سه ماهه سوم) سفارش سال را به TTM اختصاص دهید. اگر آخرین تاریخ گزارش مالی در عرض 3 ماه از تاریخ جاری باشد، داده های موجود در TTM باید با داده های ردیف قبلی آن یکی باشد، زیرا آخرین گزارش سالانه آخرین گزارش است. و این مورد ما در این آموزش است. در این شرایط، می‌توانید به سادگی ردیف TTM را رها کنید زیرا اطلاعات اضافی بیشتری ارائه نمی‌کند.

خلاصه

این آخرین آموزش از این مجموعه است. تاکنون نحوه استفاده از پایتون برای محاسبه شرایط سهام زیر را توضیح داده‌ایم:

• ارزش ذاتی (سود سهام آتی + ارزش دفتری آتی هر سهم)
• سهام برجسته
• EPS (درآمد هر سهم)
• نرخ سود سهام
• عملکرد سود
• نسبت بدهی/حقوق صاحبان سهام
• ارزش کتاب برای هر سهم
• ROE (بازگشت به سهام)
• نسبت فعلی
• P/E (قیمت به درآمد)
• P/BV (قیمت به ارزش کتاب)

من واقعاً آرزو می کنم که این امر بتواند به شما در تصمیم گیری بهتر در سرمایه گذاری خود کمک کند یا عطر و طعم آنچه را که یک پروژه علوم داده به نظر می رسد ، به شما ارائه دهد.

پرستون پیش یک دوره سرمایه گذاری با ارزش فوق العاده در YouTube ایجاد کرد. من این دوره را به هر کسی که علاقه به سرمایه گذاری و امور مالی داشته باشد توصیه می کنم.

Investopedia منبع اولیه دانش مالی من است. این یک توضیح آسان برای شرایط مالی ارائه می دهد.

Statquest به سمت علم داده آموزش های خوبی در مورد یادگیری ماشین و آمار دارد.< Pan> نسبت بدهی/حقوق صاحبان سهام