Золото и платина скорее всего коррелированны при этом. У меня есть сильное подозрение, что модель абсолютной оценки упирается в особенности решающих деревьев. тут скорее что то вроде регрессии надо пробовать, потому что практика показывает что цена акций, например, золотодобытчиков, очень сильно связана с ценой на золото (что логично) и неплохо прогнозируется именно простой регрессией. Как вариант, может быть ансамбль регрессия — деревья (на ошибке регрессии), тогда уберётся необходимость экстраполяции для деревьев, чего они делать не умеют
Кстати, а вы как то учитываете количество акций в обороте? Просто если знать выручку, то даже самый большой гуру не сможет предсказать цену акции, не зная их количество в обороте (соответственно нужна фича выручка/количество акций и тд).
Я как то с яху по пробной подписке скачал все доступные данные для росс компаний и стал наугад сравнивать с данными по финансовым отчётностям, которые выложены на сайтах компаний за разные года. И к своему удивлению обнаружил, что на Яху данные не совпадали в некоторых местах с отчетностью. Разница казалась не такой значимой, но для некоторых показателей для расчёта value это может быть очень чувствительным
И ещё существует такая вещь как статистический арбитраж, поэтому некоторые фонды его торгуют и он может влиять на текущую оценку компании. А значит соотношения между стоимостями компаний тоже играет роль. Я уже не говорю про огромный объём пассивных инвестиций индексного типа, поэтому доля в индексе и ее изменение может играть сильную роль в оценке, а также кучу хомячков, которые торгуют на индикаторах и вносят элемент Хаоса
Я думаю что то вроде сентимент анализа, какой нибудь nlp моделью, но это точно уже очень краткосрочная торговля будет, не предсказывающая стоимость, а предсказывающая изменение этой стоимости.
Про соотношения строк баланса это как пример пункт 1. Потому что это соотношение используется для расчёта wacc и вообще оценки риска компании. 2 этот показатель важен, потому что в производстве, именно ОС генерят выручку, поэтому чем больше ос тем больше выручка (поэтому размер инвестиций в ос является важным фактором). Но это может не работать в написании софта, потому что софт пишут люди, а не ос) 3. Тут можно подойти так — посчитать соотношения всех строк со всеми и отбросить не значимые, но это брутал, конечно, потому что 90% соотношений ничего не значат. Я бы добавил ещё, что например, существует такой показатель как чистый долг: Debt — Cash, стоимость заимствования interest expense*(1-tax rate) / debt. А tax rate = income tax / EBT. Плюс пара прочих показателей ликвидности. И ещё, DCF это не единственный способ оценки, есть модель EVA — тоже примеряется. Тут скорее я вас отправлю читать «valuation» от маккинзи, там хорошо разбирается Ева (по крайней мере можно от туда взять формулы), модель хороша тем, что использует норму рентабельности активов и реально важно понимать, какая она, потому что если рентабельность низкая, то наращивание низкорентабельных активов пойдёт скорее в минус оценки, чем в плюс. И все ещё — дамодаран, скачайте эксельки с 2000 года по отраслям по Бетта коэффициенту для сша. Это должно помочь
Потому что по мелким предсказывать value автоматизированно может быть очень сложно, там, во первых, низкая ликвидность, а значит высокая волатильность (и зашумленный таргет), во вторых, надо сильно погружаться в бизнес компании, потому что там высокий элемент «ожиданий», так что тут я бы упор на новости точно делал скорее
Вообще такое может сработать для компаний с устойчивым состоянием (то есть те кто устойчиво растут или уже выросли и находятся на текущем состоянии). Думаю тут фича в виде длительности работы компании может сработать. И ещё кстати есть фактор дисконта за малую капитализацию (такое реально применяют)
Я кстати использовал линейную регрессию для предсказания цены Алросы на основе выручки, wacc, курса доллара — вышло годно, но не устойчиво. В конце 2020 и 2021 сильная недооценка по сравнению с рынком была, потому что последняя отчётность была с кризисной выручкой и естественно никак не учитывала ожидания по восстановлению рынка алмазов в 2021 году (что делали участники рынка)
А по поводу цен — вы можете добавить для начала торгуемые коммодитиз, я на 100% уверен, что они будут значимы для модели. Потому что например, не смотря на то, что авиалинии не торгуют нефтью, цена на нефть влияет на себестоимость горючки для самолётов, что приводит к снижению прибыльности и денежных потоков :)
500 факторов — впечатляет) а рэйшос добавляли? Вижу в топе только карент рэйшо — это ликвидность, но, например, долг/капитализация (хотя бы на t-1) нет, но это точно должно существенно влиять на стоимость, как и стоимость заимствования (% / debt).
По поводу fcf — он может быть не стабильным, именно поэтому переходят от выручки к нему, накладывая корректировки, даже если выручка это просто экстраполяция, а не экстраполируют напрямую. Думаю тут пригодился бы ещё темп роста основных средств и показатель выручка/основные средства. Исходя из вашего подхода к обучению модели, применена идея «одинаковые компании должны стоить одинаково». Соответственно, такой поход часто базируется на стандартных и всем известных мультипликаторах, так что соотношения строк баланса и pl тоже бы очень пригодились
Ставка фрс это только один компонент ставки дисконтирования, по отраслям бетта отличается + каждая компания разная по риску за счёт соотношения долг/рыночная капитализация. Так что тут имеет смысл все таки посчитать конкретную ставку для каждой компании. По поводу предсказания выручки — вы правы, это довольно сложно, если действовать через предсказания драйверов (объём рынка, доля компании, цена товара). Но зная то, чем торгует компания, в модель можно добавить цены соответствующих товаров (если они биржевые), что добавит динамики для модели. Ведь если мы знаем цену и она снижается, то выручка тоже будет снижаться (при постоянном объеме). В остальном упрощая подход, можно основываться на темпе роста выручки за предыдущие годы. Но и выручка это не все, оценка это про денежные потоки, значит от выручка надо переходить к free cash flow через прогноз других показателей (объём инвестиций например в основные средства). И часто дивиденды платятся именно из показателя fcf, что влияет на желаемость акции участниками рынка (низкие дивиденды без роста — мало желающих). Поэтому в модель точно надо добавлять дивиденды
Отлично с точки зрения подхода ML к оценке компании, очень интересно и сам хочу реализовать нечто подобное, но пока что в процессе сбора данных по отчетности росс. компании. Как закончу, напишу обязательно статью. Имея финансовое образование, хочу заметить, что ваша модель оценки капитализации не учитывает те факторы, которые учитываются финансовыми фондами для оценки value, от сюда может быть сильный разбег между спрогнозированной оценкой и рыночной. А такого разбега быть не может, потому что фонды вкладывают огромные усилия в стоимостную оценку, в тч применяя методы ml и огромные гэпы уже давно были бы закрыты. Основа оценки компании это DCF модель, а там недостаточно знать текущую выручку, ее надо экстраполировать на будущие периоды, а затем дисконтировать. Ставка дисконтирования очень сильно влияет на стоимость компании и вы ее никак не учитываете, на сколько я понял (в этом может крыться сильный гэп в стоимостной оценке). Но, что хорошо, ее можно довольно легко определить с помощью WACC. Найдите сайт Damodaran, там будут исторические исходные данные для расчета wacc. Если интересно, могу вас проконсультировать по оценке
Почитайте про embeddings в моделях нейронных сетей. Это и есть некий «образ», который формируется на основе данных и сохраняется для дальнейшего использования.
Известный пример для эмбедингов слов это «король» минус «мужчина» равно «королева». То есть «образ» слова уже успешно выстраивается в векторном представлении, но есть и другие эмбединги — например, можно обучить воспринимать время (time embedding) да и вообще в идеале любой концепции можно научить компьютер через векторное представление этого понятия. В конечном счете любой образ из памяти можно разложить на элементы — апельсин, он оранжевый, круглый, вкусный и с твёрдой кожицей, это все закладывается в эмбединг и в каком то виде компьютер получает представление о концепции «апельсин». Так что ваша идея того, что кремний не может стать сознанием из-за отсутствия памяти и представления образов не проходит проверку реальностью. Просто мы ещё не научились обучать компьютер сложным эмбеддингам, которыми оперирует наше сознание. И похоже что наличие памяти не делает компьютер более сознательным чем он был ранее. Так что нужно что то ещё.
Вообще вопрос интересный, я думал посмотреть на наш рынок в этой призме, если доберусь по времени, то напишу апдейт)
Вообще мне кажется надо смотреть в доходности облигаций и наверняка что то будет перекликаться, но у нас такая страна, что постоянно что то извне на нас влияет, поэтому я бы ещё на валютные евробонды посмотрел и данные по оттокам в офшоры :)
Это наблюдения, основанные на экономической теории, то есть, если бы я просто увидел, что есть такая история и такой итог, я бы не стал писать про это статью, потому что это было бы пальцем в небо.
Про безрисковую ставку и вознаграждение за риск — тут во первых, обще принято, что безрисковрй ставкой является доходность по казначейским облигациям. Вознаграждение за риск должно быть, иначе никто не бы не хотел брать на себя этот дополнительный риск. Для отсутствия риска есть депозит для обычных людей. На биржу идут за повышенной доходностью.
Так работает, например модель CAPM, там рассчитывается доходность бумаги исходя из безрисковой ставки, дозодности рынка в целом и доп. Рискового коэффициента бумаги.
Вообще, полезно почитать про дисконтирование денежных потоков, потом про модель Гордона, потом CAPM, если доберётесь, то потом и модель оценки акций FED. Для FED надо ещё теорию Модильяни-Миллера почитать.
Вообще, если посмотреть структуру крупных фондов, то там значительная часть будет в облигациях. Поэтому фонды постоянно перекидываюсь деньги между рисковыми активами (Акции), если видят потенциальный доход, либо в безрисковые, но мало доходные инструменты (облигации), чтобы переждать бурю с заранее известной доходностью.
Все верно, арбитраж — это и есть устранение не рыночных условий, но есть высокочастотный арбитраж, то о чем вы говорите, там торгуются краткосрочные паттерны, поэтому нужно быть быстрее всех, а есть гигантские объемы в миллиарды долларов в фондах, которые из-за своих объемов совершенно неповоротные, невозможно просто так взять и за одну сделку слить даже 1% фейсбука (условный пример). Поэтому крупные фонды и банки вместо многих малых сделок делают постепенные перекладки по видам активов, взвешивая каждый свой шаг, потому что каждый их шаг влияет на рынок из-за объема этих сделок. Изменение доходностей в облигациях как следствие таких действий — прямой тому пример.
А кризисы если и случаются, то внезапно — никто к ним обычно не готов
Институциональные инвесторы, перекладывающие деньги из краткосрочных облигаций в долгосрочные перед кризисами с Вами не согласятся.
Также, могу привести два примера, которые наблюдал лично на рынке ММВБ — в 2014 году, где то за пол года-год появилась огромная позиция на несколько миллиардов рублей по опционами пут на индекс РТС (ставка была на снижение). Все по началу смеялись, потому что кто то терял пол года деньги на временной стоимости опционов. Когда жахнула Украина и рынок упал на 20% за пять минут торгов никто над ним больше не смеялся.
Такая же история была с опционами на доллар — стояли крупные позиции на рост доллара, видимо банки хеджировались.
Все отлично просматривалось в досках опционов на сайте ММВБ, сейчас, к сожалению, ММВБ не раскрывает большие сделки на опционах (разовые, по соглашениям сторон) и не раскрывает текущие позиции по таким сделкам. То есть максимум что можно увидеть — позиции по опционам тех самых «хомячков» инвесторов, которые не особо интересны.
А вы для каждой парковки строили свою модель деревьев получается? Не пробовали обучить одну модель на много схожих парковок?
Золото и платина скорее всего коррелированны при этом. У меня есть сильное подозрение, что модель абсолютной оценки упирается в особенности решающих деревьев. тут скорее что то вроде регрессии надо пробовать, потому что практика показывает что цена акций, например, золотодобытчиков, очень сильно связана с ценой на золото (что логично) и неплохо прогнозируется именно простой регрессией. Как вариант, может быть ансамбль регрессия — деревья (на ошибке регрессии), тогда уберётся необходимость экстраполяции для деревьев, чего они делать не умеют
Кстати, а вы как то учитываете количество акций в обороте? Просто если знать выручку, то даже самый большой гуру не сможет предсказать цену акции, не зная их количество в обороте (соответственно нужна фича выручка/количество акций и тд).
Я как то с яху по пробной подписке скачал все доступные данные для росс компаний и стал наугад сравнивать с данными по финансовым отчётностям, которые выложены на сайтах компаний за разные года. И к своему удивлению обнаружил, что на Яху данные не совпадали в некоторых местах с отчетностью. Разница казалась не такой значимой, но для некоторых показателей для расчёта value это может быть очень чувствительным
И ещё существует такая вещь как статистический арбитраж, поэтому некоторые фонды его торгуют и он может влиять на текущую оценку компании. А значит соотношения между стоимостями компаний тоже играет роль. Я уже не говорю про огромный объём пассивных инвестиций индексного типа, поэтому доля в индексе и ее изменение может играть сильную роль в оценке, а также кучу хомячков, которые торгуют на индикаторах и вносят элемент Хаоса
Я думаю что то вроде сентимент анализа, какой нибудь nlp моделью, но это точно уже очень краткосрочная торговля будет, не предсказывающая стоимость, а предсказывающая изменение этой стоимости.
Про соотношения строк баланса это как пример пункт 1. Потому что это соотношение используется для расчёта wacc и вообще оценки риска компании. 2 этот показатель важен, потому что в производстве, именно ОС генерят выручку, поэтому чем больше ос тем больше выручка (поэтому размер инвестиций в ос является важным фактором). Но это может не работать в написании софта, потому что софт пишут люди, а не ос) 3. Тут можно подойти так — посчитать соотношения всех строк со всеми и отбросить не значимые, но это брутал, конечно, потому что 90% соотношений ничего не значат. Я бы добавил ещё, что например, существует такой показатель как чистый долг: Debt — Cash, стоимость заимствования interest expense*(1-tax rate) / debt. А tax rate = income tax / EBT. Плюс пара прочих показателей ликвидности. И ещё, DCF это не единственный способ оценки, есть модель EVA — тоже примеряется. Тут скорее я вас отправлю читать «valuation» от маккинзи, там хорошо разбирается Ева (по крайней мере можно от туда взять формулы), модель хороша тем, что использует норму рентабельности активов и реально важно понимать, какая она, потому что если рентабельность низкая, то наращивание низкорентабельных активов пойдёт скорее в минус оценки, чем в плюс. И все ещё — дамодаран, скачайте эксельки с 2000 года по отраслям по Бетта коэффициенту для сша. Это должно помочь
Потому что по мелким предсказывать value автоматизированно может быть очень сложно, там, во первых, низкая ликвидность, а значит высокая волатильность (и зашумленный таргет), во вторых, надо сильно погружаться в бизнес компании, потому что там высокий элемент «ожиданий», так что тут я бы упор на новости точно делал скорее
Вообще такое может сработать для компаний с устойчивым состоянием (то есть те кто устойчиво растут или уже выросли и находятся на текущем состоянии). Думаю тут фича в виде длительности работы компании может сработать. И ещё кстати есть фактор дисконта за малую капитализацию (такое реально применяют)
Я кстати использовал линейную регрессию для предсказания цены Алросы на основе выручки, wacc, курса доллара — вышло годно, но не устойчиво. В конце 2020 и 2021 сильная недооценка по сравнению с рынком была, потому что последняя отчётность была с кризисной выручкой и естественно никак не учитывала ожидания по восстановлению рынка алмазов в 2021 году (что делали участники рынка)
А по поводу цен — вы можете добавить для начала торгуемые коммодитиз, я на 100% уверен, что они будут значимы для модели. Потому что например, не смотря на то, что авиалинии не торгуют нефтью, цена на нефть влияет на себестоимость горючки для самолётов, что приводит к снижению прибыльности и денежных потоков :)
500 факторов — впечатляет) а рэйшос добавляли? Вижу в топе только карент рэйшо — это ликвидность, но, например, долг/капитализация (хотя бы на t-1) нет, но это точно должно существенно влиять на стоимость, как и стоимость заимствования (% / debt).
По поводу fcf — он может быть не стабильным, именно поэтому переходят от выручки к нему, накладывая корректировки, даже если выручка это просто экстраполяция, а не экстраполируют напрямую. Думаю тут пригодился бы ещё темп роста основных средств и показатель выручка/основные средства. Исходя из вашего подхода к обучению модели, применена идея «одинаковые компании должны стоить одинаково». Соответственно, такой поход часто базируется на стандартных и всем известных мультипликаторах, так что соотношения строк баланса и pl тоже бы очень пригодились
Ставка фрс это только один компонент ставки дисконтирования, по отраслям бетта отличается + каждая компания разная по риску за счёт соотношения долг/рыночная капитализация. Так что тут имеет смысл все таки посчитать конкретную ставку для каждой компании. По поводу предсказания выручки — вы правы, это довольно сложно, если действовать через предсказания драйверов (объём рынка, доля компании, цена товара). Но зная то, чем торгует компания, в модель можно добавить цены соответствующих товаров (если они биржевые), что добавит динамики для модели. Ведь если мы знаем цену и она снижается, то выручка тоже будет снижаться (при постоянном объеме). В остальном упрощая подход, можно основываться на темпе роста выручки за предыдущие годы. Но и выручка это не все, оценка это про денежные потоки, значит от выручка надо переходить к free cash flow через прогноз других показателей (объём инвестиций например в основные средства). И часто дивиденды платятся именно из показателя fcf, что влияет на желаемость акции участниками рынка (низкие дивиденды без роста — мало желающих). Поэтому в модель точно надо добавлять дивиденды
Отлично с точки зрения подхода ML к оценке компании, очень интересно и сам хочу реализовать нечто подобное, но пока что в процессе сбора данных по отчетности росс. компании. Как закончу, напишу обязательно статью. Имея финансовое образование, хочу заметить, что ваша модель оценки капитализации не учитывает те факторы, которые учитываются финансовыми фондами для оценки value, от сюда может быть сильный разбег между спрогнозированной оценкой и рыночной. А такого разбега быть не может, потому что фонды вкладывают огромные усилия в стоимостную оценку, в тч применяя методы ml и огромные гэпы уже давно были бы закрыты. Основа оценки компании это DCF модель, а там недостаточно знать текущую выручку, ее надо экстраполировать на будущие периоды, а затем дисконтировать. Ставка дисконтирования очень сильно влияет на стоимость компании и вы ее никак не учитываете, на сколько я понял (в этом может крыться сильный гэп в стоимостной оценке). Но, что хорошо, ее можно довольно легко определить с помощью WACC. Найдите сайт Damodaran, там будут исторические исходные данные для расчета wacc. Если интересно, могу вас проконсультировать по оценке
Почитайте про embeddings в моделях нейронных сетей. Это и есть некий «образ», который формируется на основе данных и сохраняется для дальнейшего использования.
Известный пример для эмбедингов слов это «король» минус «мужчина» равно «королева». То есть «образ» слова уже успешно выстраивается в векторном представлении, но есть и другие эмбединги — например, можно обучить воспринимать время (time embedding) да и вообще в идеале любой концепции можно научить компьютер через векторное представление этого понятия. В конечном счете любой образ из памяти можно разложить на элементы — апельсин, он оранжевый, круглый, вкусный и с твёрдой кожицей, это все закладывается в эмбединг и в каком то виде компьютер получает представление о концепции «апельсин». Так что ваша идея того, что кремний не может стать сознанием из-за отсутствия памяти и представления образов не проходит проверку реальностью. Просто мы ещё не научились обучать компьютер сложным эмбеддингам, которыми оперирует наше сознание. И похоже что наличие памяти не делает компьютер более сознательным чем он был ранее. Так что нужно что то ещё.
Вообще мне кажется надо смотреть в доходности облигаций и наверняка что то будет перекликаться, но у нас такая страна, что постоянно что то извне на нас влияет, поэтому я бы ещё на валютные евробонды посмотрел и данные по оттокам в офшоры :)
Про безрисковую ставку и вознаграждение за риск — тут во первых, обще принято, что безрисковрй ставкой является доходность по казначейским облигациям. Вознаграждение за риск должно быть, иначе никто не бы не хотел брать на себя этот дополнительный риск. Для отсутствия риска есть депозит для обычных людей. На биржу идут за повышенной доходностью.
Так работает, например модель CAPM, там рассчитывается доходность бумаги исходя из безрисковой ставки, дозодности рынка в целом и доп. Рискового коэффициента бумаги.
Вообще, полезно почитать про дисконтирование денежных потоков, потом про модель Гордона, потом CAPM, если доберётесь, то потом и модель оценки акций FED. Для FED надо ещё теорию Модильяни-Миллера почитать.
Вообще, если посмотреть структуру крупных фондов, то там значительная часть будет в облигациях. Поэтому фонды постоянно перекидываюсь деньги между рисковыми активами (Акции), если видят потенциальный доход, либо в безрисковые, но мало доходные инструменты (облигации), чтобы переждать бурю с заранее известной доходностью.
Информацию видел в какой то новости, но уже не помню детали
Институциональные инвесторы, перекладывающие деньги из краткосрочных облигаций в долгосрочные перед кризисами с Вами не согласятся.
Также, могу привести два примера, которые наблюдал лично на рынке ММВБ — в 2014 году, где то за пол года-год появилась огромная позиция на несколько миллиардов рублей по опционами пут на индекс РТС (ставка была на снижение). Все по началу смеялись, потому что кто то терял пол года деньги на временной стоимости опционов. Когда жахнула Украина и рынок упал на 20% за пять минут торгов никто над ним больше не смеялся.
Такая же история была с опционами на доллар — стояли крупные позиции на рост доллара, видимо банки хеджировались.
Все отлично просматривалось в досках опционов на сайте ММВБ, сейчас, к сожалению, ММВБ не раскрывает большие сделки на опционах (разовые, по соглашениям сторон) и не раскрывает текущие позиции по таким сделкам. То есть максимум что можно увидеть — позиции по опционам тех самых «хомячков» инвесторов, которые не особо интересны.