MASARYKOVA UNIVERZITA EKONOMICKO-SPRÁVNÍ FAKULTA PODNIKOVÁ EKONOMIKA A MANAGEMENT
Bakalářská práce
Určení vnitřní hodnoty akcie podniku umělou neuronovou sítí
Michal Paleček
2012
„The best things in the world are free of charge.“ Jiřina Kučová
Masarykova univerzita Ekonomicko-‐správní fakulta Katedra podnikového hospodářství Akademický rok 2011/2012
ZADÁNÍ BAKALÁŘSKÉ PRÁCE Pro: Obor: Název tématu: Název anglicky:
Paleček Michal Podniková ekonomika a management URČENÍ VNITŘNÍ HODNOTY AKCIE PODNIKU UMĚLOU NEURONOVOU SÍTÍ The corporation stock's intrinsic value computation using artificial neural network
Zásady pro vypracování Problémová oblast: Investiční management, hodnocení a řízení investiční činnosti a investičních projektů. Cíl práce: Určení vnitřní hodnoty akcie podniku z pohledu investora ze Spojených států amerických na finančním trhu ve Spojených státech amerických umělou neuronovou sítí. Postup práce: 1) Úvod - Uvedení do problematiky a vymezení předmětu práce - Vymezení cílů práce 2) Teoretická část - Analýza umělé neuronové sítě - Analýza kurzotvorných faktorů fundamentální analýzy podnikových akcií - Analýza vnitřní hodnoty podnikové akcie - Analýza faktorů ovlivňujících vnitřní hodnotu podnikové akcie
- Analýza metody umělé neuronové sítě pro výpočet vnitřní hodnoty akcie podniku - Srovnání metody umělé neuronové sítě s ostatními metodami pro výpočet vnitřní hodnoty akcie podniku 3) Praktická část - Sestavení vhodné neuronové sítě pro výpočet vnitřní hodnoty akcie podniku - Vytvoření programu pro výpočet vnitřní hodnoty akcie podniku s ohledem na kurzotvorné faktory fundamentální analýzy, založený na algoritmech umělé neuronové sítě - Popis a analýza algoritmů a principů, na kterých byl program založen, z ekonomického hlediska - Aplikace programu na konkrétním podniku - Nalezení vnitřní hodnoty akcie daného podniku 4) Závěr - Uvedení stěžejních závěrů práce Použité metody: literární rešerše, analýza, syntéza
Rozsah grafických prací:
(Předpoklad cca 10 tabulek a grafů)
Rozsah práce bez příloh:
30 – 40 stran
Seznam odborné literatury: • • • • • • •
BLAKE, David. Analýza finančních trhů. Translated by Aleš Hrnčíř - Petr Šedý - Pavel Šimůnek. Vyd. 1. Praha: Grada, 1995. 623 s. ISBN 80-7169-201-8. REJNUŠ, Oldřich. Finanční trhy. Druhé rozšířené. : Key Publishing, 2010. 660 s. Ekonomie. ISBN 978-80-7418-080-4. SHARPE, William F. a Gordon J. ALEXANDER. Investice. Translated by Zdeněk Šlehofr. 4. vyd. Praha: Victoria Publishing, 1994. 810 s. ISBN 80-85605-47-3. BODIE, Zvi a Alex KANE a Alan J. MARCUS. Investments. 6th ed. Boston: McGrawHill, 2005. xxx, 1090. ISBN 0-07-286178-9. HAYKIN, Simon. Neural Networks :a comprehensive foundation. New York: Macmillan College Publishing Company, 1994. xix, 696 s. ISBN 0-02-352761-7. HAYKIN, Simon S. Neural networks and learning machines. 3rd ed. Upper Saddle River: Pearson, 2009. 934 s. ISBN 9780131293762. BISHOP, Christopher M. Neural networks for pattern recognition. 1st pub. Oxford: Oxford University Press, 2000. xvii, 482. ISBN 0-19-853864-2.
Vedoucí bakalářské práce:
doc. Ing. Petr Suchánek, Ph.D.
Datum zadání bakalářské práce:
2. 11. 2011
Termín odevzdání bakalářské práce a vložení do IS je uveden v platném harmonogramu akademického roku. ……………………………………
…………………………………………
vedoucí katedry
V Brně, dne 2. 11. 2011
děkan
J m é n o a p ř í j m e n í autora: Název bakalářské práce: Název práce v angličtině: Katedra: V e d o u c í dip lomo vé pr ác e: Ro k obh ajo b y:
Michal Paleček Určení vnitřní hodnoty akcie umělou neuronovou sítí The corporation stock's intrinsic value computation using artificial neural network podnikového hospodářství doc. Ing. Petr Suchánek, Ph.D. 2012
Anotace Cílem práce je naprogramovat umělou neuronovou síť a použít ji na určení vnitřní hodnoty akcie určitého podniku, následně také srovnat tento postup určování vnitřní hodnoty podnikové akcie s jinými postupy. V teoretické části jsou vysvětleny faktory ovlivňující vnitřní hodnotu podnikové akcie. Testován byl na farmaceutické společnosti Pfizer, Inc.
Abstract The thesis deals with coding an artificial neural network to compute the company intrinsic value and to compare this way with other methods of the intrinsic corporate stock value computation. In the theory chapter, factors influencing the intrinsic value have been explained. The software have been demonstrated on Pfizer, Inc.
Klíčová slova Podniková akcie, umělá neuronová síť, vnitřní hodnota, algoritmus, určení vnitřní hodnoty, akcie, valuace, ocenění
Keywords Corporate stock, artificial neural network, intrinsic value, algorithm, an intrinsic value determination, stock, share, valuation
Prohlášení Prohlašuji, že jsem bakalářskou práci Určení vnitřní hodnoty akcie podniku umělou neuronovou sítí vypracoval samostatně pod vedením doc. Ing. Petra Suchánka, Ph.D. a uvedl v ní všechny použité literární a jiné odborné zdroje v souladu s právními předpisy, vnitřními předpisy Masarykovy univerzity a vnitřními akty řízení Masarykovy univerzity a Ekonomicko-správní fakulty MU. V Brně, dne 7. ledna 2013 vlastnoruční podpis autora
Poděkování Děkuji Lence Fialové za společnou cestu studiem.
OBSAH 1
ÚVOD ......................................................................................................................... 10
1.1
METODOLOGIE A ZDROJ DAT .............................................................................. 11
2
TEORETICKÁ ČÁST ................................................................................................. 12
2.1
VNITŘNÍ HODNOTA PODNIKOVÉ AKCIE .......................................................... 12
2.2
FAKTORY OVLIVŇUJÍCÍ VNITŘNÍ HODNOTU PODNIKOVÉ AKCIE ............. 13
2.3
UMĚLÁ NEURONOVÁ SÍŤ ...................................................................................... 21
3
APLIKAČNÍ ČÁST .................................................................................................... 24
3.1
ZÁKLADNÍ INFORMACE ........................................................................................ 24
3.2
POPIS ALGORITMU .................................................................................................. 26
3.3
OVLÁDÁNÍ PROGRAMU ......................................................................................... 27
3.4
ROZDÍL OPROTI JINÝM ALGORITMŮM URČUJÍCÍM VNITŘNÍ HODNOTU PODNIKOVÉ AKCIE ............................................................................ 28
4
ZÁVĚR ........................................................................................................................ 32
5
LITERATURA ............................................................................................................ 33
SEZNAM PŘÍLOH ................................................................................................................. 38
1
ÚVOD
Stanovení vnitřní hodnoty podnikové akcie je klíčový faktor fundamentální analýzy, kterou při svých investičních strategiích používá většina hedge fondů, investičních bank a úspěšných soukromých investorů. Znát vnitřní hodnotu akcie je užitečné, neboť je velmi pravděpodobné, že trh bude aktuální kurz akcie tlačit směrem ke své vnitřní hodnotě. Na světě existuje již několik způsobů a matematických vzorců jak určit vnitřní hodnotu podnikové akcie, avšak ty jsou vždy velmi zobecněné a velmi omezené. Věnuji se zde jinému způsobu jak určit vnitřní hodnotu podnikové akcie, konkrétně za pomocí umělé neuronové sítě, tedy za pomocí umělé inteligence. Umělá inteligence je poměrně novou vědou, nicméně ale čím dál více zjišťujeme, že na našem světě a v nejrůznějších biologických systémech věci fungují relativně efektivně a příroda umí řešit i velmi náročné problémy, je třeba se z ní inspirovat. V praktické části vytvořím software, který pomocí umělé neuronové sítě určí vnitřní hodnotu akcie konkrétního podniku, a to současnou, ale i v budoucnosti, záleží na vstupu uživatele. Následně provedu test daného programu na společnosti Pfizer, Inc. Farmaceutický průmysl jsem pro testování zvolil kvůli své vysoké citlivosti na velikost inovací a nových zpráv a schválení, respektive neschválení, nového produktu, tudíž se zde projeví kvalita softwaru. Navíc se jedná v určitých případech o cyklické odvětví, v určitých případech o neutrální odvětví.
10
1.1 METODOLOGIE A ZDROJ DAT Hlavními metodami použité v práci byly analýza postupů, analýza problematiky, analýza dat a souvislostí, četba literatury, data mining, business intelligence, syntéza a logika. Významné zdroje dat byly učební texty a případové studie Harvard University, MIT, Princeton University, Stanford University, The University of Chicago, The University of Pennsylvania, Columbia University, University of California, Berkeley, Northwestern University, Duke University, Dartmouth College, Yale University, New York University, UCLA, případové studie z Harvard Business Review, články z Harvard Business Review, The Economist, Time, Forbes, seekingaplha.com a The New York Times, především články Paula Krugmana, právní dokumenty SEC a GAAP a SEC filings. Významným zdrojem dat, kurzů a zpráv byly: cnbc.com, CNBC TV, finance.yahoo.com, reuters.com, bloomberg.com, Bloomberg TV, online.wsj.com, ft.com, nytimes.com, forbes.com, marketwatch.com, businessweek.com, businesswire.com, thestreet.com, google.com/finance, msn.com, prnewswire.com, bizjournals.com, investors.com, fool.com, money.cnn.com, online.barrons.com. Jinými podstatnými zdroji byly researche JPM a Off Wall Street, prezentace Billa Ackmana, Davida Einhorna, Whitney Tilsona, Charlese Thomase Mungera, Jamese Chanose, Davida Swensena a výroční a čtvrtletní zprávy Berkshire Hathaway, Vltava Fund SICAV, plc a Fairfax Financial Holdings z let 1985 až 2011. V neposlední řadě byly podstatnými zdroji studie z Journal of Political Economy a the National Bureau of Economic Research. Přínosná byla i videa na ted.com a filmy Inside Job, Too Big to Fail, Margin Call a Last Days of Lehman Brothers. Nesmírně cenným materiálem pro mě byly interní data a dokumenty Vltava Fund SICAV, Plc. Nakonec, velmi cenným materiálem se pro mě stal článek Charlese Ellise „The Loser’s Game“ (The Financial Analysts Journal, July-August 1975) a knihy Fooled by Randomness od Nassima Nicholase Taleba (ISBN 1400067936) a A Short History of Financial Euphoria od Johna Kennetha Galbraitha (ISBN 0140238565), ze kterých jsem získal nespočet poznatků.
11
2
TEORETICKÁ ČÁST
2.1 VNITŘNÍ HODNOTA PODNIKOVÉ AKCIE Vnitřní hodnota akcie je teoretická výše kurzu, kterou by podniková akcie měla, pokud by byla spravedlivě oceněna. V praxi se ovšem vždy setkáváme s jiným kurzem akcie, kterým podnik disponuje na burze, kvůli neefektivnosti trhu, především kvůli psychologii investorů. Akcie tedy bývá buď nadhodnocená (v případě, že její kurz je vyšší než její vnitřní hodnota), nebo podhodnocená (v případě, že její kurz je nižší než její střední hodnota). Vnitřní hodnota se nemění každým okamžikem, jak se mění kurz akcie, ale po změně hodnoty nějakého faktoru, který vnitřní hodnotu ovlivňuje. Kurz akcie tedy osciluje kolem své vnitřní hodnoty. Avšak vnitřní hodnota akcie jistého podniku nemusí být pro každého člověka stejná. Jedná se pouze o názor daného člověka. Přesto však určitá spravedlivá hodnota, vzhledem k ostatním případům (např. vzhledem ke konkurenčním firmám v odvětví) zde je, a tu je cílem této práce zjistit. Dále tedy pod pojmem „vnitřní hodnota“ (nebo „hodnota“) nebudeme rozumět názor na spravedlivou cenu každého účastníka trhu, což vnitřní hodnota je, ale onu již výše zmíněnou „rozumnou“ správnou cenu. Pro upřesnění uvádím, že pokud se domníváme na základě výpočtů, že vnitřní hodnota určitého podniku je například USD 200, avšak trh ji neustále oceňuje na USD 220 a hodnoty USD 200 zdá se nikdy nedosáhne (maximálně při nějaké nepředvídatelné makroekonomické situaci), řekneme, že její vnitřní hodnota není tedy USD 200, ale USD 220. Ostatně, jak sám John Maynard Keynes ve své nesmrtelné knize Obecná teorie zaměstnanosti, úroku a peněz (1936) řekl, „nemá žádného smyslu zaplatit 25 peněžních jednotek za investici, o níž podle jejího perspektivního výnosu důvodně soudíte, že má sice hodnotu 30, avšak předpokládáte, že za tři měsíce ji trh ocení pouze na 20“. Samozřejmě, kdybychom chtěli zpřesnit toto číslo, tak posoudíme i pravděpodobnost oné nepředvídatelné makroekonomické situace a do výše vnitřní hodnoty ji zahrneme. Všechny tyto věci v práci zahrnuji do svého algoritmu výpočtu vnitřní hodnoty akcie, aby výpočet byl co možno nejpřesnější a nejvěrohodnější. Obr. č. 1: Vnitřní hodnota vs. reálný kurz akcie: V čase T1 a T2 se staly jisté události, které ovlivňují vnitřní hodnotu akcie.
kurz akcie
Úsečka T0T1 znázorňuje vnitřní hodnotu akcie v období t1, analogicky v období t2. Křivka znázorňuje skutečný kurz akcie na burze.
T0 t1
T1
t2
T2
čas
Vytvořeno autorem
12
2.2
FAKTORY OVLIVŇUJÍCÍ VNITŘNÍ HODNOTU PODNIKOVÉ AKCIE
Mezi faktory ovlivňující vnitřní hodnotu podnikové akcie patří: • • • • • • •
Makroekonomické faktory, mikroekonomické faktory, faktory plynoucí z odvětví podniku, riziko, likvidita, psychologické faktory, postavení podniku vzhledem ke konkurenci.
2.2.1 Makroekonomické faktory Makroekonomická situace, ať už ve světě nebo v dané zemi, ovlivňuje prosperitu podniku, poptávku po jeho statcích, nabídku jeho statků, a samozřejmě tedy i vnitřní hodnotu jeho akcie. Mezi klíčové faktory ovlivňující vnitřní hodnotu podnikové akcie na makro úrovni patří: § § § § § § § § § § § § §
Úrokové sazby, inflace, nezaměstnanost, reálný výstup ekonomiky, peněžní nabídka, směnný kurz, příliv/odliv zahraničního kapitálu, fiskální politika, kvalita investičního prostředí, politická situace v zemi, nadměrná byrokracie, neformální instituce, schodek/přebytek státního rozpočtu v zemi.
13
Úrokové sazby •
•
•
•
Vysoké úrokové sazby způsobují firmám nákladnější financování investic, díky čemuž se mnohé investice neuskuteční a firma následně generuje nižší zisky, z čehož plyne nižší růst. Jelikož je úroková sazba jednou z proměnných při výpočtu matematických modelů výnosnosti investice, kde vystupuje v jmenovateli, její zvýšení snižuje hodnotu teoretické vnitřní hodnoty akcie (zde rozumějme názoru účastníků trhu, kteří následně zadávají své burzovní příkazy k nákupu či prodeji) a snižuje výnosnost investice. Zvýšení úrokových sazeb zvyšuje atraktivnost dluhopisů, což odčerpává prostředky z investic v podnikových akciích, což má za následek snížení hodnoty akcií. Snížení úrokových sazeb vede k vyššímu HDP.
Ceteris paribus nižší úrokové sazby vedou k vyšším hodnotám akcií a naopak. Inflace •
•
•
Zvýšení inflace s sebou nese zvýšení nominálních zisků podniku a zvýšení nominální hodnoty dividend, což vede k vyšší poptávce po akciích firmy, což má za následek zvýšení kurzu podnikové akcie. Na druhou stranu zvýšení inflace zvyšuje náklady firem, neboť odpisy se počítají z nominálních hodnot, a větší odpisy zvyšují daňové břemeno firem. Pokud ovšem má podnik hodnotu čisté marže kladnou, zvýšení inflace zvyšuje relativně hodnotu nominálních zisků, jak je výše uvedeno (při aproximaci rovnoměrné inflace). Inflace ovlivňuje makroekonomicky směnné kurzy, úrokové sazby, nezaměstnanost a HDP, samozřejmě též příliv/odliv zahraničního kapitálu, čisté zahraniční investice, net export atd., všechny tyto makroekonomické veličiny ovlivňují též vnitřní hodnotu podnikové akcie.
Není jednoznačný vztah mezi výší inflace a zvýšení, příp. snížení, hodnoty akcie. Záleží, který faktor převáží. Nezaměstnanost • •
Je-li v ekonomice vysoká míra nezaměstnanosti, firmy zabezpečují nezbytnou produkci, ale ne další, růstovou, taktéž šetří náklady. Nezaměstnanost sama o sobě velmi politicky citlivé téma, působí velmi negativně psychologicky pro daný trh, důsledkem je pokles poptávky po rizikových titulech, což akcie, dle názoru veřejnosti, jsou (ve skutečnosti jde o nejbezpečnější investiční nástroje), což má za následek pokles kurzů podnikových akcií.
Není jednoznačný vztah mezi výší nezaměstnanosti a zvýšení, příp. snížení, hodnoty akcie. Záleží, který faktor převáží. 14
Reálný výstup ekonomiky • • • •
•
•
Finanční trhy reagují na ekonomickou situaci světového hospodářství a ekonomickou situaci příslušné země. Vysoká korelace převážně v dlouhém období, v krátkém období nižší z důvodu odlišných odvětví a očekávání investorů, které předbíhá skutečný stav světa. Hlavním důvodem vlivu je vliv ekonomické situace na změnu úrokových sazeb, nezaměstnanosti, cílování inflace atd. Příčinným důvodem skutečnost, že hospodářský cyklus je dán agregátní poptávkou a agregátní nabídkou, tudíž odráží spotřebitelské a podnikatelské chování, konkrétně ochotu a zároveň schopnost kupovat statky a ochotu a zároveň schopnost poskytovat statky výrobci. Pokud panuje názor, že ekonomika je v recesi, má to velice negativní vliv na investiční psychologii a motivaci investorů investovat do rizikových aktiv, tedy i akcií, což zapříčiní nižší poptávku po akciích doprovázenou naopak vyšší nabídkou daných akcií způsobenou výprodeji akcií konkrétní firmy. Naopak růstový trend HDP země působí psychologicky pozitivně na investory a vede k vyšším investicím v dané zemi. Nezdravý růst HDP korigován zvýšením úrokových sazeb a naopak podpora ekonomiky snížení úrokových sazeb, vizte podkapitolu „Úrokové sazby“.
Ceteris paribus vyšší reálný výstup ekonomiky vede k růstu vnitřní hodnoty podnikové akcie. Peněžní nabídka • •
•
•
Podle kvantitativní teorie peněz zvýšení peněžní nabídky způsobuje zvýšení inflace v zemi, vizte tedy podkapitolu „Inflace“. Dalším důvodem je takzvaný „efekt likvidity“, který říká, že zvýší-li se peněžní nabídka, investoři část nově emitovaných peněž investují do akcií, čímž se zvýší poptávka po akciích, a tedy i vnitřní hodnoty akcií. Dalším důvodem je fakt, že při zvýšení peněžní nabídky část peněz investoři zainvestují do dluhopisů, jejichž kurzy se ovšem při zvýšení poptávky po dluhopisech začnou zvyšovat a postupem času přestanou být dluhopisy tak výhodné a investoři stáhnou peníze z dluhopisů a zainvestují je do alternativních cenných papírů, tedy do akcií, čímž zvýší poptávku po akciích, a tím i vnitřní hodnoty akcií. V neposlední řadě zvýšení peněžní nabídky způsobí pokles úrokových sazeb, vizte podkapitolu „Úrokové sazby“.
Není jednoznačný vztah mezi výší peněžní nabídky a zvýšení, příp. snížení, hodnoty akcie. Záleží, který faktor převáží.
15
Směnný kurz •
• •
Ovlivňuje hodnotu akcie, neboť při znehodnocení domácí měny se zvýší poptávka po produktech dané firmy v zahraničních státech, jejichž měna vůči dané domácí měně posilnila a naopak. U podniků, jejichž vstupy jsou výrobky či komodity nakoupeny za zahraniční měnu (typicky např. ropa) je výše nákladů závislá na směnném kurzu. Zároveň ovlivňuje též další makroekonomické veličiny jako příliv/odliv zahraničního kapitálu, HDP, inflaci v dané zemi, úrokové sazby, nezaměstnanost atd.
Není jednoznačný vztah mezi hodnotou směnného kurzu a zvýšení, příp. snížení, hodnoty akcie. Záleží, který faktor převáží. Příliv/odliv zahraničního kapitálu •
•
• •
Příliv zahraničního kapitálu způsobuje dočasné zvýšení peněžní nabídky, vizte podkapitolu „Peněžní nabídka“, dočasně zvyšuje kurz domácí měny, což má za následek změnu hodnoty investice vizte podkapitolu „Směnný kurz“, navíc financuje projekty v dané zemi zahraničními investory, což má za následek jednak růst domácí ekonomiky, vizte podkapitolu „Reálný výstup ekonomiky“, především pak ale růst financovaného podniku, navíc také zvyšuje množství zapůjčitelných fondů v dané zemi. Odliv kapitálu má opačný efekt.
Není jednoznačný vztah mezi výší přílivu/odlivu zahraničního kapitálu a zvýšení, příp. snížení, hodnoty akcie. Záleží i na dalších faktorech. Fiskální politika •
•
• • •
Povinnost firem platit daně odčerpává firmám část zisku, který by mohl být použit na vyšší dividendu nebo investice, které by podporovaly růst podniku a tím i v budoucnu vyšší zisky. Zvýšení veřejných výdajů vede k zadlužování země, což má vliv na další veličiny, vizte kapitolu „Schodek/přebytek státního rozpočtu“, např. na směnný kurz a tedy i export/import, následně tedy i na HDP. Výdaje státu na prorůstová opatření mohou zvýšit HDP dané země. V testu doporučuji brát v úvahu hodnotu návratnosti investice daných projektů. Clo, dovozní kvóty, dotace atd. ovlivňují též hodnotu importu a směnného kurzu. Zvýšení daní a veřejných výdajů vedou ke snížení agregátní poptávky, což následně vede k poklesu HDP, dochází i v dlouhém období ke snížení inflace (v krátkém období, dle Phillipsovy křivky, jsou možné jisté kombinace hodnot nezaměstnanosti a inflace).
Ceteris paribus zvýšení daní a státních výdajů snižuje vnitřní hodnotu podnikové akcie. 16
Kvalita investičního prostředí Podle Rejnuše (2010) „všeobecné podmínky, jež buď vzbuzují, nebo naopak nevzbuzují důvěru potenciálních investorů k realizaci jimi zamýšlených investic. Za nejvýznamnější dílčí oblasti, jimiž investoři věnují největší pozornost, jsou všeobecně považovány transparentnost, bezpečnost a stabilita finančního trhu (což pochopitelně souvisí s celkovou vyspělostí příslušné země)“1. Podle Rejnuše (2010) se jedná především o: • • • •
Schodky a nerovnováha, cenová regulace a černý trh, ekonomické a politické šoky, korupce, hospodářská kriminalita a právní systém.
Pokud tyto záležitosti nebudou fungovat kvalitně, v investorech budou vzbuzovány negativní pocity o investičním prostředí dané země a budou demotivováni od zamýšlených investic, což, ceteris paribus, snižuje vnitřní hodnotu dané podnikové akcie. Politická situace v zemi Pokud je v zemi politická stabilita, je možný růst a dobré investiční prostředí. Pokud ale dochází v zemi ke stávkám, nespokojeností s vládou a častým změnám vlády, zvláště pak pravice a levice, hospodářská politika v zemi nelze dobře fungovat, dochází často k nedokončeným projektům od předchozí vlády a není možný trvalý růst a stabilizace veřejných financí, není možný tudíž růst, pouze zvětšování státního dluhu z důvodu častých restruktualizací. Nestabilní politická situace v zemi vede ceteris paribus k snižování podnikové akcie. Nadměrná byrokracie Pokud je nutno v dané zemi na vyřízení jisté věci velkého počtu razítek, papírů, dokladů, vše se tím zdržuje a vyřízení sebemenší věci trvá nesmyslně dlouho a je náročné, je tím extrémním způsobem zatížen růst HDP dané země. Navíc je v dané zemi potřeba relativně vyšších vládních výdajů na papírování a mzdy státních úředníků, které jsou velmi neefektivní, což zvyšuje fiskální zatížení a tlačí státní rozpočty do schodků. Nadměrná byrokracie vede ceteris paribus velmi silně ke snižování vnitřní hodnoty podnikové akcie.
1
korekce autorem
17
Neformální instituce Pokud je v zemi zakotvená konzervativnost, obecná nedůvěra, vysoká kriminalita a všeobecný strach o ztrátu peněz, je vyžadována vysoká míra byrokracie a tendence neinvestovat do správných aktiv, ale do nesmyslných, leč, dle názoru veřejnosti, bezpečných, navíc je v dané zemi nízká míra úspor a tedy i investic, což snižuje potenciální růst HDP. Špatné neformální instituce vedou velmi silně ke snižování vnitřní hodnoty podnikové akcie. Schodek/přebytek státního rozpočtu v zemi • •
• •
•
Schodek státního rozpočtu působí psychologicky velmi negativně, podle trhu zapůjčitelných fondů snižuje objem úspor (celkové úspory = soukromé úspory + veřejné úspory (záporné)) a zároveň zvyšuje úrokovou míru ⟹ vytěsňuje soukromé investice (zmenšuje objem zapůjčitelných fondů, které mohou použít domácnosti a firmy), zvyšuje úrokovou míru na státních dluhopisech, což odlévá část potenciálních investorů z podnikových akcií. Při vysokém zadlužení země tendence států zvyšovat inflaci v zemi za účelem reálného snížení dluhu, což se následně projeví i ve změnách směnného kurzu, přílivu/odlivu zahraničního kapitálu, úrokových sazeb atd. Při zadlužení snaha státu korigovat ekonomiku zvýšením/snížením úrokových sazeb.
Schodek státního rozpočtu1 za jinak stejných podmínek snižuje kurz podnikové akcie.
2.2.2 Mikroekonomické faktory Jako mikroekonomické faktory ovlivňujících kurz podnikové akcie můžeme brát například výši zisku, hodnotu free cash flow, ROE, ROIC, výnosů, nákladů, zadluženost, investice do inovací, výši dividend, kvalitu managementu, strukturu tržeb v jednotlivých zemích, nákup vlastních akcií/akcií jiných firem, fúze, akvizice, prodeje/nákupy akcií daného podniku zaměstnanců podniku vydávající signály o budoucnosti podniku, know-how, patenty, výše goodwillu, výše equity, výše cash atd. Všechny potřebné hodnoty můžeme získat z finančních výkazů a čtvrtletních a výročních zpráv, příp. IPO prospektů, které jsou akciové společnosti kótované na burze ze zákona povinny zveřejňovat.
1
Při hodnocení schodku/přebytku státního rozpočtu doporučuji brát v úvahu spíše hodnotu relativní v poměru k HDP, nikoliv absolutní hodnotu. Často může posloužit i hodnocení ratingových agentur (např. Standard & Poor's, Moody's nebo Fitch), avšak tyto hodnoty je nutno brát s rezervou.
18
2.2.3 Faktory plynoucí z odvětví podniku Každé odvětví má svá jistá specifika. Je nutno brát v potaz, zda-li je odvětví perspektivní či na ústupu, také očekávání investorů, jestli odvětví považují za perspektivní do budoucna. U každého odvětví je nutno též zhodnotit, zda-li se jedná o cyklické, či neutrální, nebo dokonce anticyklické odvětví.
2.2.4 Riziko Riziko je jedním z klíčových faktorů určujícím výnosnost investice. Navíc, jelikož investor při své investici požaduje prémii za rizikovost, výnosnost investice je ovlivněna jejímu riziku. Rejnuš (2010) udává následující typy rizika: § § § § § § § § §
Riziko změn tržní úrokové míry, riziko inflační riziko událostí, riziko insolvence emitenta, riziko ztráty likvidity předmětného finančního instrumentu, riziko měnové, riziko právní, riziko operační, riziko individuálních vlastností (resp. smluvních ustanovení) jednotlivých investičních nástrojů.
2.2.5 Likvidita Likvidita je dalším faktorem, který ovlivňuje atraktivnost investice, a tím i její hodnotu. Stejně jako u rizika investor požaduje prémii za rizikovost k bezrizikové úrokové míře, požaduje i prémii za likviditu. I fakt, že největší a nejlikvidnější podniky bývají kótovány na nejprestižnějších a největších burzách, přispívá oblíbenosti a bezpečnosti investice, a tím i vyšší vnitřní hodnotě podnikové akcie.
2.2.6 Psychologické faktory Psychologické faktory jsou, vzhledem k čím dál větší nejistotě na trzích a zvyšujícím se počtu amatérských investorů, velmi důležitým faktorem působícím na hodnotu akcie. Psychologická analýza stále více nabývá na významu. Dříve se psychologií, přesněji řečeno jen emocemi, řídili v podstatě jen drobní investoři, nyní už tyto faktory musí brát v potaz různé investiční společnosti, což způsobuje ještě větší pohyby kurzů. Imaginární investor Gordon Gekko ve filmu Wall Street: Money never sleeps řekl1: 1 Wall street: Money never sleeps, 2010, produced by Edward Pressman and Eric Kopeloff 20th Century Box, time [16:38;17:03] 19
“Someone reminded me the other evening that I once said, greed is good. Now it seems it’s legal! But folks, you know it’s greed that makes my bartender buy three houses he cannot afford with no money down. And it is greed that makes your parents refinance their 200,000 dollar house for 250k, and then they take that extra 50k and they go down to the shopping mall and they buy a plasma TV, cell phones, computers and an SUV. And hey, why not a second home while we are at it.” Podle teorie George Drasnara se na trhu střídá strach doprovázený poklesem kurzů a chamtivost doprovázená růstem kurzů akcií. Ve své práci používám též tuto teorii a rozšiřuji ji na více burzovních nálad, od strachu/paniky přes klid až ke chamtivosti. Tyto nálady lze i kvantifikovat například indexem VIX. Dále sem řadíme reakce na nečekané události, například zveřejnění nízkého/vysokého zisku, zveřejnění vysokého poklesu/nárůstu zisku oproti minulému období, zveřejnění zprávy o zakázání/povolení produktu, zveřejnění zprávy o odchodu klíčového člena managementu, zprávy u fúzích a akvizicích, zprávy o zjištěných podvodech podniku, zveřejnění zprávy makroekonomického charakteru, například FED o kvantitativním uvolňování, ponechání nízkých úrokových sazeb, atd.
2.2.7 Postavení podniku vzhledem ke konkurenci • •
Obecně oblíbené a známé firmy mají relativně vyšší hodnoty akcií, neboť je po nich vyšší poptávka, nicméně mnohem lepší investice bývají do podniků neoblíbených. Velice důležitá je i tržní síla a tržní podíl podniku. Podniky s výsadním postavením na trhu, nebo dokonce monopolní podniky, získávají hlavní část zisku, který se v daném odvětví vygeneruje, ale hlavně mají moc konkurenční podniky ovládat, například likvidačně nízkými cenami, nebo je dokonce odkoupit. Je velice důležité zvažovat důsledky případných mergerů a akvizic, jak ovlivní tržní podíl, množství patentů a know-how, jaké bude mít vliv na snížení nákladů a následně zvýšený zisk, atd. Patenty a výsadní práva pro distribuci mají také podobný efekt. Velmi důležitá je i analýza know-how jednotlivých podniků.
Pozn.: Pro zkvalitnění výpočtu doporučuji brát v úvahu též hodnotu úspor (tedy i investic) v ekonomice, hodnotu čistých zahraničních investic (tedy i hodnotu net export), hodnoty platební bilance, hodnotu výše státních prorůstových opatření, hodnotu jistiny a úroku státního dluhu (a raději i úrokových sazeb na jednotlivé dluhové položky), hodnotu zadlužení domácností, firem, měst a obcí, státu a státních fondů (též raději v relativní hodnotě ku HDP než v absolutní hodnotě).
20
2.3 UMĚLÁ NEURONOVÁ SÍŤ 2.3.1 Popis umělé neuronové sítě Umělá neuronová síť je významnou součástí umělé inteligence. Algoritmus byl objeven v roce 19431. Jedná se o množinu neuronů. Založena je na principu fungování lidského mozku. Hlavní principem algoritmu je simulace lidského myšlení. Lidský mozek je taktéž síť navzájem propojených neuronů. Tyto spoje se nazývají synapse a jsou základem pro učení. V umělé neuronové síti princip funguje stejně, pouze dané neurony je nutno uměle vytvořit. Jelikož se jedná o velmi výpočetně náročnou záležitost, vždy se tyto problémy řeší za pomocí počítače, což platí i pro všechny ostatní typy umělé inteligence2. Mezi největší výhody algoritmů umělé inteligence patří, že umí řešit komplexně velmi výpočetně náročné problémy, pro které dosud nejsou známy jiné metody řešení.
Obr. č. 2: Lidský neuron: Myelinová pochva
Tělo neuronu
Zdroj:http://www.drugabuse.gov/publications/brain-power/grades-2-3/sending-receivingmessages-module-3/background, přeloženo autorem
1
2
MCCULLOCH, Warren S. a Walter PITTS. A logical calculus of the ideas immanent in nervous activity: Accurate prediction of density functional theory energies. The Bulletin of Mathematical Biophysics. 1943, roč. 5, č. 4, s. 115-133. ISSN 0007-4985. DOI: 10.1007/BF02478259. Dostupné z: http://www.springerlink.com/index/10.1007/BF02478259 dalšími typy umělé inteligence jsou například genetické algoritmy, inteligence hejna, umělý imunitní systém atd.
21
Jsou dva základní typy učení neuronové sítě: 1) Neuronová síť založena na principu učení s učitelem, 2) neuronová síť založena na principu učení bez učitele. V neuronové síti s učením s učitelem (tzv. adaptační učení), které v této práci využívám, se síť nejprve z jiných případů naučí logiku daného problému, kterou poté aplikuje na námi zvolený případ. V neuronové síti s učením s bez učitele existují dva typy učení, a to učení korelační a soutěživé. Při korelačním učení se algoritmus učí tak, že případný vztah získává na důležitosti, pokud se daný vztah opakuje (tj. zvyšuje se hodnota korelace)1. Při soutěživém učení se algoritmus provádí na základě výběru hodnoty nejlepšího případu (tzv. soutěže). Existuje velké množství typů neuronové sítě, na řešení tohoto problému jsem zvolil typ sítě backpropagation2, jakožto nejvhodnějším typem pro řešení daného problému, což jsem ověřil i experimentálně.
2.3.2 Popis principu neuronové sítě typu backpropagation Proces probíhá podle následujícího postupu: 1) Algoritmus nastaví vstupní hodnoty vah (například náhodně) a spočte hodnotu chyby při tomto nastavení. 2) Pokud platí: I.
Hodnota dané chyby ≤ hodnota ukončovací podmínky, ukončí proces učení a přejde k bodu 3).
II.
Hodnota dané chyby > hodnota ukončovací podmínky, upraví hodnotu vah podle aktivační funkce a přejde k bodu I.
3) Proces učení aplikuje na daný problém, resp. vektor hodnot vstupní proměnné a vrátí hodnotu výstupního vektoru.
1
2
tímto způsobem funguje i učení lidského mozku, daný algoritmus nese název Hebbův zákon učení po kanadském psychologovi Donaldu Oldingu Hebbovi dalšími typy neuronové sítě mohou být např. counterpropagation network, full counterpropagation network, neocognitron, perceptron atd.
22
2.3.3 Popis principu algoritmu (umělá neuronová síť s učitelem typu backpropagation) Jak už bylo uvedeno výše, umělá neuronová síť se nejprve z daných případů, které má ve své databázi, naučí princip problému, který potom aplikuje na případy zadané uživatelem. Algoritmus funguje tak, že neuronová síť se snaží získat funkční předpis, podle kterého se realita řídí, tuto funkci aproximuje1 a posléze použije na uživatelem zvolený případ. Proces lze rozčlenit na dvě fáze, a to na fázi učení a fázi řešení. Při fázi učení se síť snaží odhalit funkční předpis reality a data v databázi ji slouží jako učitel, podle kterého se snaží zjistit vazby mezi faktory, určí tedy váhy faktorů X1,…,Xr, což jsou koeficienty dané funkce. V následující fázi, ve fázi řešení, pak použije zjištěný funkční předpis na námi zvolený případ. Proces je graficky znázorněn v tabulce č. 1. Pole X11,…,Yn-1 je zadáno v databázi2, uživatel zadá hodnoty Xn1,…,Xnr, načež umělá neuronová síť určí hodnotu Yn. Můžeme též hledat nějakou hodnotu z Xn1,…,Xnr a zadat Yn, pokud jej známe. S růstajícím počtem n se výsledek výpočtu zpřesňuje, neboť síť má více navzájem odlišných případů, pomocí které se učí a odhalí tak více vazeb a zpřesní jejich výši, záleží ale také na topologii neuronové sítě (tj. počet neuronů v každé vrstvě, počet vrstev atd.). Tabulka č. 1: Princip umělé neuronové sítě s učitelem VSTUP 1 VSTUP 2
TRÉNOVACÍ MNOŽINA
PROBLÉM UŽIVATELE
…
VSTUP r
VÝSLEDEK
X11
X12
…
X1r
Y1
X21
X22
…
X2r
Y2
X31
X32
…
X3r
Y3
…
…
…
…
…
Xn-‐11
Xn-‐12
…
Xn-‐1r
Yn-‐1
Xn1
Xn2
…
Xnr
Yn
Vytvořeno autorem
𝑌𝑛 = 𝑓(𝑋𝑛1 , 𝑋𝑛2 , … , 𝑋𝑛𝑟 ) 𝑌𝑛 =
𝑟 𝑖!1 𝜔𝑖 𝑋𝑛𝑖 ,
kde 𝜔𝑖 je váha i-tého členu polynomu
1 2
jedná se o lineární funkci tzv. trénovací množina
23
3
APLIKAČNÍ ČÁST
3.1 ZÁKLADNÍ INFORMACE Základem software je knihovna1 napsaná v programovacím jazyce C++, který je zvolen díky své technické vhodnosti pro řešení tohoto problému a vysoké rychlosti, kód je zapsán též v jazyce C++ a jeho součástí je optimalizace topologie sítě, optimalizace aktivační funkce, řešení ukončovací podmínky a vstupní a výstupní zpracování dat. Technickými záležitostmi se v této práci nezabývám, ani pokročilejší analýzou umělé neuronové sítě, neboť nejsou ekonomickým, ani manažerským, ani finančním problémem této práce. Software je použitelný pro všechna odvětví, musí být ale vhodně nastavena jeho trénovací množina pro konkrétní odvětví. Testován bude na farmaceutické společnosti Pfizer, Inc., do trénovací množiny neuronové sítě byly tedy vybrány především farmaceutické společnosti z USA a registrované na nějaké burze v USA, konkrétně na NYSE, NASDAQ nebo AMEX. Navíc zde musely být zahrnuty i další případy jiných firem z NYSE, NASDAQ nebo AMEX, aby se síť naučila pracovat i s makroekonomickými proměnnými. Předpokládá se, že uživatel je z USA, do vnitřní hodnoty tedy není zahrnuto měnové riziko. Uživatel fungující mimo USA musí sám dodatečně své měnové riziko zvážit a případně se proti němu zajistit měnovým hedgingem, např. měnovým forwardem.
3.1.1 Profil testované firmy Společnost Pfizer, Inc. je nadnárodní farmaceutická korporace sídlící v New York City, NY, USA. Založena byla roku 18492. Jedná se o veliký podnik (čistý zisk $ 8,67 mld., obrat: $ 68,72 mld., bilanční suma: $ 208,06 mld., 103 700 zaměstnanců). Firma je kótována na burze New York Stock Exchange (NYSE: PFE). Tržní kapitalizace firmy byla k 31. 12. 2011 $ 168,81 mld., vlastní kapitál $ 97,36 mld. Hodnoty jsou získány z výroční zprávy podniku z roku 20113.
3.1.2 Princip fungování programu Hlavním principem pro stanovení vnitřní hodnoty akcie daného podniku je simulace lidského myšlení při stanovování vnitřní hodnoty akcie. Jak už bylo uvedeno výše, člověk při určování vnitřní hodnoty akcie musí zvážit a porovnat s jinými případy jistou množinu okolností, pak postupnými myšlenkovými pochody dospěje k určitému výsledku. Tyto myšlenkové pochody se software snaží simulovat a dospět ke stejnému výsledku. Do trénovací množiny mu jsou uživatelem zadány určité reálné hodnoty z minulosti, které skutečně nastaly. Trénovací množina musí být volena tak, aby postihla všechny významné 1 2 3
Dostupné na: http://www.stud.fit.vutbr.cz/~xdalec01/nn/BackPropagation.zip Zdroj: http://www.pfizer.com/about/history/history.jsp Zdroj: http://www.pfizer.com/files/annualreport/2011/financial/financial2011.pdf
24
projevy všech faktorů ovlivňujících vnitřní hodnotu podnikové akcie. Do trénovací množiny tedy musí být zařazeny případy, ve kterých byly různé hodnoty všech daných faktorů, až do svých extrémních hodnot. Lidský mozek při uvažování nad vnitřní hodnotou podnikové akcie postupuje stejně. Nejprve si uvědomí aktuální stav věci a porovná ho s podobnými případy, které nastaly v minulosti, rozdíly pak odvozuje z vazeb mezi faktory a jejich výší, posléze odvodí i budoucí stav věci.
3.1.3 Využití programu Jak již bylo uvedeno výše, program lze využít na všechna odvětví, avšak kvalita modelu odvisí od kvality trénovací množiny, kterou uživatel nejprve sestaví. Program lze použít ve všech případech ekonomické situace, i v případech aktuálních výkyvů trhu, například po oznámení zprávy, která je citlivá na změnu kurzu. Využít jej lze jako doplňkový prostředek k výpočtu současné vnitřní hodnoty podnikové akcie, ale i budoucí vnitřní hodnoty podnikové akcie, neboť jej lze použít pro jakýkoliv bod v čase v budoucnosti, avšak kvalita výsledku v budoucnu je závislá na kvalitě budoucích vstupních hodnotách. Lze jej též použít jako ukazatele vnitřní hodnoty podnikové akcie v minulosti, na základě skutečných hodnot z minulosti, a porovnat jej se skutečným kurzem v danou dobu, a zjistit efektivnost trhu (psychologii investorů – náladu na trhu) v dané době.
25
3.2 POPIS ALGORITMU Algoritmus funguje na principu umělé neuronové sítě s učitelem typu backpropagation, kde jeho trénovací množina je dána vstupy uživatele. Pro zkvalitnění výpočtu a možnosti kvalitního přizpůsobení všem trhům a odvětvím jsou topologie umělé neuronové sítě a funkční předpis aktivační funkce při každém výpočtu optimalizovány za pomocí genetických algoritmů, při každém výpočtu jsou tedy jiné. Nejprve uživatel zadá vstupní data, tj. zadá trénovací množinu pro jakýkoliv trh, na kterém potřebuje zjistit vnitřní hodnotu podnikové akcie, tím program přizpůsobí na daný trh, a hodnoty vstupních proměnných (hodnotami „vstupních proměnných“ rozumějme vektor hodnot, ke kterému požadujeme výstupní hodnotu). Vstupní proměnné program přetransformuje na základě funkčního předpisu získaného z učení z trénovací množiny a zobrazí výsledek výstupní proměnné, v našem případě vnitřní hodnotu daného podniku v daném čase. Proces učení se realizuje na principu algoritmu backprogation, při kterém se kvalita učení zlepšuje s rostoucím počtem epoch. Jelikož tvar funkce závislosti kvality učení na rostoucím počtu epoch není nutně rostoucí, ukončovací podmínka učení je řešena tak, že po každých 50 epochách spočte: 𝑘 =
chyba při mediánu daného intervalu o délce 50 epoch chyba mediánu předchozího intervalu o délce 50 epoch
a při 𝑘 ≤ 0,993 ∨ 𝑡 = 5 𝑠𝑒𝑘𝑢𝑛𝑑, kde 𝑡 je doba učení, se ukončí proces učení a následuje proces aplikace učení na daný problém. Dané hodnoty jsem zvolil na základě experimentálních testů. Chyba definuji jako
𝑛 𝑖!1 𝑝𝑜ž𝑎𝑑𝑜𝑣𝑎𝑛á ℎ𝑜𝑑𝑛𝑜𝑡𝑎−𝑣ý𝑠𝑙𝑒𝑑𝑛á ℎ𝑜𝑑𝑛𝑜𝑡𝑎
𝑛
, kde 𝑛 je počet
neuronů, z důvodu, že aritmetický průměr je citlivý na odlehlé hodnoty a je zde vyvíjen tlak na zlepšování případných odlehlých hodnot.
26
3.3 OVLÁDÁNÍ PROGRAMU Program je navržen tak, že nejprve je uživatel vyzván k sestavení trénovací množiny, tedy hodnot proměnných určujících vnitřní hodnotu podnikové akcie, které jsou uvedeny v teoretické části, jednotlivých případů, které nastaly v minulosti. Pro zkvalitnění výsledků je velmi užitečné volit extrémní, i častější, hodnoty. Jako příklad může sloužit rozložení definičního oboru pravděpodobnostní funkce na pět částí, vždy po dvacátém percentilu a těchto šest hodnot zadat pro každou proměnnou. Pravidelný krok v definičním oboru není nutný, je potřeba zachytit významné situace. Po splnění přechozích kroků je uživatel vyzván k vyplnění buď aktuálních hodnot daných proměnných, pokud chce zjišťovat současnou vnitřní hodnotu podnikové akcie, nebo k odhadovaným budoucím hodnotám daných proměnných v jistém bodě v budoucnosti, pokud chce zjišťovat vnitřní hodnotu podnikové akcie k danému bodu v budoucnosti, a software vrátí vypočtenou současnou, resp. budoucí, vnitřní hodnotu podnikové akcie. Jako test kvality trénovací množiny může posloužit výpočet vnitřní hodnoty správněv-té-době trhem oceněné akcie nějakého podniku z daného odvětví v minulosti, jejíž hodnota by se měla limitně rovnat kurzu, který k danému datu byl, pokud daný podnik byl v tu dobu správně trhem oceněn. Pro zkvalitnění testu by měl být užit i statistický test, aby se prokázalo, jestli chyba není způsobena jen náhodnými vlivy a je opravdu statisticky významná na určité hladině významnosti. Doporučená 𝑝 hodnota je 0,01. Pokud je chyba větší, než tento kvantil, je nutno rozšířit trénovací množinu o další případy nebo proměnné. S rostoucím počtem případů a proměnných kvalita výpočtu roste. Budeme trénovací množina 𝑋11 ⋮
𝑋𝑛!11
⋯ ⋱ ⋯
𝑋1𝑟 ⋮
𝑋𝑛!1𝑟
, k tomu příslušný transponovaný vektor hodnot 𝑌1 … 𝑌𝑛−1
a vektor hodnot vstupních proměnných 𝑋𝑛1 … 𝑋𝑛𝑟 𝑌𝑛 , pak pro kvalitu trénovací množiny platí: 𝑟
lim
𝑛,𝑟→!
𝑖!!
𝜔𝑖 𝑋𝑛𝑖 = 𝑦𝑛 + Θ,
kde 𝑛 je počet případů, 𝑟 je počet proměnných, 𝜔𝑖 je váha i-tého členu polynomu, 𝑦𝑛 je výsledná hodnota, Θ je chyba způsobena nedokonalosti umělé neuronové sítě1.
1
Udává se, že efektivnost umělé neuronové sítě je přibližně 80 %. Chyba je závislá na topologii umělé neuronové sítě, při navržení topologie sítě genetickými algoritmy je topologie sítě optimalizována (avšak opět ne dokonale) a hodnota Θ je minimalizována.
27
3.4 ROZDÍL OPROTI JINÝM ALGORITMŮM URČUJÍCÍM VNITŘNÍ HODNOTU PODNIKOVÉ AKCIE Hlavním rozdílem určování vnitřní hodnoty podnikové akcie oproti jiným způsobům1 je, že uživatel zde není nucen odhadovat různé hodnoty, například tržní úrokovou míru, které musí v jiných modelech do vzorců použít. Eliminuje se tak chyba tohoto odhadu, což je výhodné především pro ekonomicky příliš neznalé uživatele. Tyto odhady, byť jsou třeba logicky správné, vždy zahrnují postoj uživatele k dané věci, avšak neuronová síť hodnotí situaci objektivně, jak již vypadala v minulosti při určitých okolnostech. Významnou výhodou neuronového algoritmu je fakt, že výpočetní modely jsou vždy jen velmi zobecněnou realitou, nicméně v reálném světě působí velké množství faktorů, které matematický model nepostihuje, ale neuronová síť ano. Uživatel při stanovování vnitřní hodnoty často ani neví, jaká je vazba mezi faktory, který faktor ovlivňuje který a v jaké výši2, ani jak faktory působí na sebe navzájem3. Neuronová síť tyhle vazby ale při svém řešení odhalí a počítá s nimi.
Tabulka č. 2: Cost-benefit analýza určení vnitřní hodnoty akcie umělou neuronovou sítí VÝHODY •
• •
NEVÝHODY
Metoda zvažující všechny proměnné, které do vnitřní hodnoty akcie vstupují zároveň,
• •
model přizpůsobený trhu, řešení problému, na který není kvalitní algoritmus a na který zatím nejsou metody vedoucí ke kvalitnímu řešení.
• • •
•
Riskantní metoda výpočtu, může se značně lišit od reality, náročnost na kvalitu trénovací množiny, jejíž zpracování je pracné a časově i intelektuálně náročné, vysoké požadavky na výkon PC, nutnost orientovat se v prostředí programu a v tržním prostředí, při určování vnitřní hodnoty do budoucna vysoká citlivost na odhady proměnných uživatelem, matematická funkce pouze lineární.
Vytvořeno autorem
1 2 3
jinými způsoby mohou být např. dividendový diskontní model, různé typy bankrotních a bonitních modelů atd. statistické metody, jako například regresní analýza tento problém neřeší, neboť může věc ovlivňovat i jiná proměnná korelační analýza tento problém neřeší, kvůli stejnému problému
28
3.1.3 Test programu Budeme testovat, zda-li se výsledky naměřených vnitřních hodnot akcií firmy Pfizer, Inc. statisticky významě liší od skutečných kurzů firmy Pfizer, Inc., které byly zaznamenány na burze NYSE v určitá období, na hladině výnamnosti 5 %. Nechť nulová hypotéza H0 říká, že vnitřní hodnoty akcie Pfizer, Inc. se neliší se statistickou výnamností od reálných kurzů zaznamených na burze NYSE na hladině významnosti α = 0,05. Budeme X1, X2,…, Xn výběry vypočtených hodnot a Y1, Y2,…, Yn k tomu odpovídající skutečné hodnoty kurzů zaznamenaných na NYSE v období 1. 1. 2007 až 1. 4. 2012. V tomto období proběhlo velké množství různých makroekonomických změn (je zde vyobrazena situace před depresí v roce 2008 až do současnosti). Výběry X1, X2,…, Xn a Y1, Y2,…, Yn budou tvořeny hodnotami získanými z tohoto intervalu vždy k 1.1., 1.4., 1.7. a 1.10., v případě skutečných kurzů je hodnotou uzavírací kurz k danému dni, resp. následujícím burzovním dni, pokud nebyl v daný den burzovní den. Testujme H0 proti oboustranné alternativě. Nulová hypotéza:
H0 : X – Y = 0
Alternativní hypotéza:
H1 : X – Y ≠ 0
Graf č. 1: Vývoj kurzu akcie firmy Pfizer, Inc. v období od 1. 1. 2007 až 1. 4. 2012 v USD
Zdroj:http://finance.yahoo.com/echarts?s=PFE+Interactive#symbol=pfe;range=1d;compare=;indicator=v olume;charttype=area;crosshair=on;ohlcvalues=0;logscale=off;source=undefined, upraveno autorem
29
2012
2011
2010
2009
2008
2007
Tabulka č. 3: Hodnoty vstupující do testu v USD datum 1.1. 1.4. 1.7. 1.10. 1.1. 1.4. 1.7. 1.10. 1.1. 1.4. 1.7. 1.10. 1.1. 1.4. 1.7. 1.10. 1.1. 1.4. 1.7. 1.10. 1.1.
vypočtená hodnota 26,35 26,41 23,81 24,89 22,98 20,21 18,71 17,67 14,31 13,04 15,01 17,28 18,79 17,01 14,77 17,27 18,39 20,81 19,31 19,21 21,53
skutečná hodnota 26,24 26,46 23,51 24,61 23,36 20,11 18,67 17,71 14,58 13,36 15,00 17,03 18,66 16,72 15,00 17,42 18,22 20,97 19,25 19,26 21,40
1.4. 22,71 22,90 Vytvořeno autorem, skutečné hodnoty získány z http://finance.yahoo.com/q/hp?s=PFE&a=00&b=1&c=2007&d=04&e =1&f=2012&g=m
Graf č. 1: Grafické znázornění rozdílu reality a naměřených hodnot Modře je vyznačena hustota pravděpodobnosti (rozložení) skutečných hodnot. Červeně je vyznačena hustota pravděpodobnosti (rozložení) naměřených hodnot. Vytvořeno autorem
30
Graf č. 2: Graf relativní četnosti
𝑦 = relativní četnosti rozdílu naměřených hodnot a skutečných hodnot 𝑥 = rozdíl naměřených hodnot a skutečných hodnot
Vytvořeno autorem
Jelikož data nejsou normálně rozložena, použijeme neparametrický test o mediánu, konkrétně dvouvýběrový Kolmogorovův-Smirnovův test, neboť data jsou symetricky rozložena kolem mediánu. Výběr R1 budou představovat vypočtené hodnoty, výběr R2 budou představovat skutečné hodnoty. Výpočet byl proveden pomocí softwaru STATISTICA 10, výsledná p hodnota činí 0,887, nulovou hypotézu H0 tedy nezamítáme na hladině významosti 5 %. Cohenův koeficient věcného účinku činí 0,861.
31
4
ZÁVĚR
Určování vnitřní hodnoty podnikové akcie pomocí mnou vytvořeného softwaru, topologie neuronové sítě, funkčního předpisu aktivační funkce a ukončovací podmínky dává spolehlivé výsledky a může být použito jako jedna z metod určování vnitřní hodnoty akcie podniku. Software je teoreticky využitelný pro všechna odvětví a pro všechna období, i do budoucnosti, avšak prakticky byl testován ve farmaceutickém odvětví na podniku Pfizer, Inc. Statistický test ukázal relativně vysokou kvalitu valuace tímto programem a v daném farmaceutickém průmyslu se tato forma valuce ukázala jako přesnější než valuace obvyklými metodami valuce, jako např. dividendovým diskontním modelem, diskontováním cash flow, prostřednictvím P/E ratio, P/S ratio, PEG ratio atd. Využívat jej mohou hedge fondy, investiční fondy, podílové fondy, investiční banky, ale i samostatné podniky pro představu o vlastní valuaci, pro valuaci konkurence a pro porovnání s konkurencí. Program doporučuji využívat jako doplňovou metodu k dalším typům testů. Statistický test deklaruje vysokou podobnost výsledků s realitou, dané odchylky jsou způsobeny náhodnými vlivy a neefektivností trhu, především psychologií investorů. Výsledek tedy taktéž poukazuje na efektivnost trhu a (ne)pravdivost teorie efektivních trhů (avšak je třeba vzít v úvahu i nedokonalost softwaru). Jedná se o nejkomplexnější metodu výpočtu vnitřní hodnoty podnikové akcie, zohledňující souběžně všechny proměnné ovlivňující kurz podnikové akcie. Avšak v žádném případě se na výsledky vygenerované programem nemůžeme spoléhat, trh se vždy může vyvíjet jinak, i když je to netradiční nebo iracionální, především v krátkém období, především kvůli emocím investorů. Mezi kladné stránky programu patří fakt, že tato forma valuace bere v úvahu všechny proměnné, které vnitřní hodnotu akcie podniku ovlivňují, pokud tedy uživatel provede kvalitní nastavení (na rozdíl od jiných forem valuace); jedná se o model plně přizpůsobený danému odvětví (na rozdíl od jiných forem valuace, kde se bere v potaz trh jako celek) a jde o řešení velmi komplexního problému mnoha proměnných, na který není dosud znám kvalitní algoritmus řešení. Mezi negativní stránky této metody patří skutečnost, že tato forma valuace je příliš riskantní a může se příliš lišit od reality (nicméně tradiční valuační metody s mnohem vyšší hodnotou pravděpodobnosti se budou lišit od reality ještě mnohem více); je zde kladen klíčový důraz na kvalitu trénovací množiny, kterou uživatel musí sám sestavit, její sestavení bývá též velmi pracné a náročné na čas i na ekonomické, finanční, manažerské, operační, rozhodovací, analytické, logické, matematické a kritické myšlení a znalosti uživatele; je zde potřeba PC s výkonným CPU a velkou operační pamětí (konkrétní doporučené hodnoty zde neuvádím, neboť při každém problému se různí); je zde nutnost orientovat se v prostředí daného programu a též v prostředí trhu; při určování vnitřní hodnoty akcie podniku k nějakému bodu v čase v budoucnosti je zde vysoká citlivost na odhady hodnot proměnných uživatelem, což opět vyžaduje výše uvedené dovednosti uživatele; nevýhodou je též skutečnost, že výsledná hodnota bude vypočtena na základě lineární funkce, bude tedy docházet též k reziduálním chybám (chybám vlivem aproximace od reality).
32
5
LITERATURA
[1]
Sharpe, William F. - Alexander, Gordon J. : Investments, 4th edition. Boston. McGrawHill, 2011. 810 s. ISBN 80-85605-47-3.
[2]
Bodie, Zvi - Kane, Alex - Marcus, Alan J. Investments. 8th ed. Boston. McGraw-Hill, 2011, 1090 s. ISBN 0-07-286178-9.
[3]
McConnell, Campbell – Brue, Stanley – Flynn, Sean. Macroeconomics. 19th ed. Boston. McGraw-Hill, 2011. 528 s. ISBN 978-0077337728.
[4]
ABEL, Andrew B, Ben BERNANKE a Dean Darrell CROUSHORE. Macroeconomics. 7th ed. Boston: Addison-Wesley, c2011, 639 s. Pearson series in economics. ISBN 01-361-1452-0.
[5]
PINDYCK, Robert S a Daniel L RUBINFELD. Microeconomics. 7th ed. Upper Saddle River, N.J. Pearson/Prentice Hall, c2009, 736 s. ISBN 01-320-8023-0.
[6]
Haykin, Simon S. Neural networks and learning machines. 3rd ed. Upper Saddle River, Pearson, 2009. 934 s. ISBN 9780131293762.
[7]
Bishop, Christopher M. Neural networks for pattern recognition. 1st pub. Oxford. Oxford University Press, 2000. 17. vyd., 482 s. ISBN 0-19-853864-2.
[8]
Glimcher, Paul – Fehr, Ernst – Camerer, Colin – Rangel, Antonio – Poldrack, Allan, Russel. Neuroeconomics: Decision Making and the Brain. 1st ed. New York: Academic Press, 2008. 556 s. ISBN 978-0123741769
[9]
Rejnuš, Oldřich. Finanční trhy. 2. rozšířené vydání. Praha : Key Publishing, 2010. 660 s. Ekonomie. ISBN 978-80-7418-080-4.
[10]
Mankiw, Gregory, Nicholas. Principles of Economics. 6th ed. Boston : South-Western College Pub, 2011. 856 s. ISBN 978-0538453059.
[11]
Samuelson, Paul, Anthony – Nordhaus, William. Economics. 19th ed. Boston. McGraw-Hill/Irwin, 2009. 744 s. ISBN 978-0073511290.
[12]
Bodie, Zvi - Kane, Alex - Marcus, Alan J. Student Solutions Manual for Investments. 2nd ed. Boston : McGraw-Hill, 2010, 416 s. ISBN 978-0077316143.
[13]
SMITH, Adam. An inquiry into the nature and caufes of the wealth of nations. 1st edition. London: Strand, 1776. ISBN 978-0553585971.
[14]
KEYNES, John Maynard. The general theory of employment, interest and money. 1st edition. Cambridge: Palgrave Macmillan, 1936. ISBN 978-0-230-00476-4.
[15]
COFFEE, John C a Hillary A SALE. Securities regulation: cases and materials. 11th ed. New York, NY: Thomson Reuters/Foundation Press, 2009, 1569 s. ISBN 978159-9417-592. 33
[16]
Securities Regulation, 2011 Supplement. Foundation Pr. ISBN 978-160-9300-418.
[17]
SALE, John C. Coffee; Hillary A. Federal securities law: selected statutes, rules and forms 2011. 2011-12 ed. St Paul: Foundation Press. ISBN 978-159-9419-558.
[18]
FLETCHER, George P a Steve SHEPPARD. American law in a global context: the basics. New York: Oxford University Press, 2005, 682 s. ISBN 01-9516722-8.
[19]
AL]., Compiled by E. Allan Farnsworth...[et]. Selections for contracts: Restatement second, UCC articles 1 and 2, Uniform electronic transactions act, Electronic signatures in global and national commerce act, UN Sales Convention, UNIDROIT principles, selected contracts and forms. New York: Foundation Press, 2010. ISBN 978-159-9417-073.
[20]
FARNSWORTH, E. Contracts: cases and materials. 7th ed. St. Paul, Minn.: Thomson West, c2008, 987 s. ISBN 978-159-9415-710.
[21]
CHIRELSTEIN, Marvin A. Concepts and case analysis in the law of contracts. 6th ed. New York: Foundation Press/Thomson Reuters, 2010, 254 s. ISBN 978-159-9417769.
[22]
Random walk down wall street: the time-tested strategy for successful investing. New York: W W Norton. ISBN 978-039-3340-747.
[23]
GRAHAM, Benjamin. The intelligent investor: a book of practical counsel. 4th rev. ed., with a new pref. and appendix /. New York, N.Y.: Harper, 1985c1973, 340 s. ISBN 00-601-5547-7.
[24]
DODD, By Benjamin Graham and David L. Security analysis. Special reproduction of the 1934 first edition. New York, NY [u.a.]: McGraw-Hill, 1976. 725 s. ISBN 978-007-0244-962.
[25]
BELSKY, Gary a Thomas GILOVICH. Why smart people make big money mistakes-and how to correct them: lessons from the life-changing science of behavioral economics. 1st edition. Simon. New York: Simon, 2010, 275 s. ISBN 14-391-6974-8.
[26]
ARIELY, Dan a Thomas GILOVICH. The upside of irrationality: the unexpected benefits of defying logic at work and at home. 1st ed. New York: Harper, 2010, 275 s. ISBN 00-619-9503-7.
[27]
ARIELY, Dan a Thomas GILOVICH. Predictably irrational: the hidden forces that shape our decisions. 1st Harper Perennial ed. New York: Harper Perennial, 2010, 275 s. ISBN 978-006-1353-246.
[28]
BAKER, H a John R NOFSINGER. Behavioral finance: investors, corporations, and markets. 1st Harper Perennial ed. Hoboken, N.J.: Wiley, 2010, 757 s. ISBN 978047-0499-115. 34
[29]
ACKERT, Lucy F a Richard DEAVES. Behavioral finance: psychology, decisionmaking, and markets. 1st Harper Perennial ed. Mason, OH: South-Western Cengage Learning, c2010, 392 s. ISBN 03-246-6117-7.
[30]
CARTWRIGHT, Edward a Richard DEAVES. Behavioral economics: psychology, decision-making, and markets. 1st Harper Perennial ed. New York, NY: Routledge, 2011, 476 s. ISBN 02-038-1686-2.
[31]
PENMAN, Stephen H a Richard DEAVES. Financial statement analysis and security valuation: psychology, decision-making, and markets. 4th ed. New York: McGrawHill/Irwin, c2010, 754 s. ISBN 00-733-7966-2.
[32]
KOLLER, Tim, Marc GOEDHART a David WESSELS. Valuation: measuring and managing the value of companies. 5th ed. Hoboken: John Wiley, 2010, 811 s. Wiley finance series. ISBN 978-0-470-42465-0.
[33]
WAHLEN, James M, Stephen P BAGINSKI, Mark T BRADSHAW a Clyde P. STICKNEY. Financial reporting, financial statement analysis, and valuation: a strategic perspective. 7th ed. Mason, OH: South-Western Cengage Learning, c2011, 1261 s. Wiley finance series. ISBN 978-032-4789-416.
[34]
WHITE, Gerald I. The analysis and use of financial statements. 3rd ed. Hoboken: John Wiley, c2003, 767 s. ISBN 04-713-7594-2.
[35]
PALEPU, Krishna G a Paul M HEALY. Business analysis: using financial statements. 4th ed. Mason, OH: Thomson South-Western, c2008. ISBN 03-243-0287-8.
[36]
ENGLISH, James R. Applied equity analysis: stock valuation techniques for Wall Street professionals. New York: McGraw-Hill, c2001, 422 s. ISBN 00-713-6051-4.
[37]
VARIAN, Hal R. Intermediate microeconomics: a modern approach. 8th ed. New York: W.W. Norton, c2010, xxiv, 739, A40 s. ISBN 978-0-393-93424-3.
[38]
VARIAN, Hal R. Microeconomic analysis: a modern approach. 3rd ed. New York: W. W. Norton, c1992, xv, 506, A42 s. ISBN 03-939-5735-7.
[39]
MAS-COLELL, Andreu, Michael Dennis WHINSTON a Jerry R GREEN. Microeconomic theory: a modern approach. 3rd ed. New York: Oxford University Press, 1995, xvii, 981 p. ISBN 01-951-0268-1.
[40]
LJUNGQVIST, Lars, Thomas J SARGENT a Jerry R GREEN. Recursive macroeconomic theory: a modern approach. 2nd ed. Cambridge, Mass.: MIT Press, c2004, xxxiv, 1082 p. ISBN 02-621-2274-X.
[41]
STOKEY, Nancy L, Robert E LUCAS a Edward C PRESCOTT. Recursive methods in economic dynamics: a modern approach. 2nd ed. Cambridge, Mass.: Harvard University Press, 1989, xviii, 588 p. ISBN 06-747-5096-9.
35
[42]
ROMER, David, Robert E LUCAS a Edward C PRESCOTT. Advanced macroeconomics: a modern approach. 4th ed. New York: McGraw-Hill/Irwin, 1989, xviii, 588 p. ISBN 00-735-1137-4.
[43]
BARRO, Robert J, Xavier SALA-I-MARTIN a Edward C PRESCOTT. Economic growth: a modern approach. 2nd ed. Cambridge, Mass.: MIT Press, c2004, xvi, 654 p. ISBN 02-620-2553-1.
[44]
STALEY, Kathryn F, Xavier SALA-I-MARTIN a Edward C PRESCOTT. The art of short selling: a modern approach. 2nd ed. New York: Wiley, c1997, xvi, 288 p. ISBN 04-711-4632-3.
[45]
CLARK, Mary Buffett, Xavier SALA-I-MARTIN a Edward C PRESCOTT. Buffettology: the previously unexplained techniques that have made Warren Buffett the world's most famous investor. 2nd ed. New York: Fireside, 1999, xvi, 288 p. ISBN 978-068-4848-211.
[46]
BUFFETT, Mary, David CLARK a Edward C PRESCOTT. Warren Buffett and the interpretation of financial statements: the search for the company with a durable competitive advantage. 1st Scribner hardcover ed. New York: Scribner, 2008, xviii, 202 p. ISBN 14-165-7318-6.
[47]
CARMEN M. REINHART, Carmen M.Kenneth S, David CLARK a Edward C. PRESCOTT. This time is different: eight centuries of financial folly. 1. pbk. printing. Princeton, N.J: Princeton University Press, 2009, xviii, 202 p. ISBN 06-911-5264-0.
[48]
GADIESH, Orit, Hugh MACARTHUR a Edward C PRESCOTT. Lessons from private equity any company can use: eight centuries of financial folly. 1. pbk. printing. Boston, Mass.: Harvard Business School Press, c2008, 126 p. ISBN 14-221-2495-9.
[49]
DEL VECCHIO, John, Tom JACOBS a Edward C PRESCOTT. What's behind the numbers?: a guide to exposing financial chicanery and avoiding huge losses in your portfolio. 1. pbk. printing. New York: McGraw-Hill, c2012, p. cm. ISBN 00-7179197-3.
[50]
SCHILIT, Howard Mark, Jeremy PERLER a Edward C PRESCOTT. Financial shenanigans: a guide to exposing financial chicanery and avoiding huge losses in your portfolio. 3rd ed., [Fully rev. and updated]. New York: McGraw-Hill, c2010, xii, 318 p. ISBN 00-717-0307-1.
[51]
MARKS, Howard, Jeremy PERLER a Edward C PRESCOTT. The most important thing: uncommon sense for the thoughtful investor. 3rd ed., [Fully rev. and updated]. New York: Columbia University Press, c2011, xii, 180 p. ISBN 02-315-2709-8.
[52]
SHEARN, Michael, Jeremy PERLER a Edward C PRESCOTT. The investment checklist: the art of in-depth research. 3rd ed., [Fully rev. and updated]. Hoboken, NJ: Wiley, c2011, xii, 180 p. ISBN 04-708-9185-8. 36
[53]
BOECKH, J. Anthony. The great reflation: how investors can profit from the new world of money. Hoboken, N.J: John Wiley, 2010. ISBN 04-705-3877-5.
[54]
TEPPER, John Mauldin and Jonathan. Endgame: the end of the debt supercycle and how it changes everything. Hoboken, John Wiley, 2010. ISBN 11-180-0457-4.
[55]
LEWIS, Michael. The big short: inside the doomsday machine. New York: W.W. Norton, c2011, xviii, 291 p. ISBN 978-039-3338-829.
[56]
LEWIS, Michael. Liar's poker: rising through the wreckage on Wall Street. 1st ed. New York: W. W. Norton, 2010, xviii, 291 p. ISBN 978-039-3338-690.
[57]
LOWENSTEIN, Roger. When genius failed: the rise and fall of Long-Term Capital Management. Random House Trade pbk. ed. New York: Random House Trade Paperbacks, 2001, xviii, 291 p. ISBN 03-757-5825-9.
[58]
EINHORN, David a Foreword by Joel GREENBLATT. Fooling some of the people all of the time: a long short (and now complete) story. [Pbk. ed.]. Hoboken, N.J: Wiley, 2009, xviii, 291 p. ISBN 0470481544.
[59]
DUFLO, Abhijit V. Banerjee and Esther. Poor economics: a radical rethinking of the way to fight global poverty. Pbk.ed. New York: PublicAffairs. ISBN 16-103-9093-8.
[60]
KRANTZ, Francois Trahan and Katherine. The era of uncertainty: global investment strategies for inflation, deflation, and the middle ground. Hoboken, N.J: J. Wiley. ISBN 11-180-2773-6.
[61]
ROSENBAUM, Joshua a Joshua PEARL. Investment banking: valuation, leveraged buyouts, and mergers. Hoboken, N.J.: John Wiley, 2009, xxii, 304 p. Wiley finance series. ISBN 04-704-4220-4.
[62]
TIROLE, Jean. The theory of corporate finance. Princeton, N.J.: Princeton University Press, 2006, xii, 644 p. ISBN 9780691125565.
[63]
KRUGMAN, Paul. End This Depression Now! 1st ed. W. W. Norton & Co. 2012, 288 p. IBSN 0393345084.
[64]
KAHNEMAN, Daniel a Foreword by Joel GREENBLATT. Thinking, fast and slow: a long short (and now complete) story. 1st ed. New York: Farrar, Straus and Giroux, 2011, 499 s. ISBN 978-0-374-27563-1.
[65]
KOLMOGOROV, A a S FOMIN. Introductory real analysis. Rev. English ed. New York: Dover Publications, 1975, xii, 403 p. ISBN 04-866-1226-0.
[66]
MENDELSON, Bert a S FOMIN. Introduction to topology. 3rd ed. New York: Dover Publications, 1990, ix, 206 p. ISBN 04-866-6352-3.
[67]
CAROTHERS, N a S FOMIN. Real analysis. 3rd ed. New York: Cambridge University Press, 2000, xiii, 401 p. ISBN 05-214-9756-6. 37
SEZNAM PŘÍLOH Tabulka č. 5: Tabulka č. 6: Tabulka č. 7: Graf č. 3: Graf č. 4: Graf č. 5: Graf č. 6:
Rozvaha firmy Pfizer, Inc. k 31. 12. 2011 Výkaz zisků a ztrát firmy Pfizer, Inc. za rok 2011 Cash flow statement firmy Pfizer, Inc. za rok 2011 Struktura aktiv a cizích zdrojů firmy Pfizer, Inc. v jednotlivých letech v milionech USD Struktura výnosů firmy Pfizer, Inc. v jednotlivých letech v milionech USD Rozbor provozních výnosů firmy Pfizer, Inc. v jednotlivých letech v milionech USD Struktura výdajů firmy Pfizer, Inc. v jednotlivých letech v milionech USD
38
PŘÍLOHY SEZNAM TABULEK Rozvaha firmy Pfizer, Inc. k 31. 12. 2011 Tabulka č. 5: Rozvaha firmy Pfizer, Inc. k 31. 12. 2011 In Millions of USD (except for per share items)
As of 2011-12-31
Cash & Equivalents
3,539.00
Short Term Investments
23,270.00
Cash and Short Term Investments
26,809.00
Accounts Receivable - Trade, Net
13,608.00
Receivables - Other
-
Total Receivables, Net
13,608.00
Total Inventory
7,769.00
Prepaid Expenses
-
Other Current Assets, Total
9,542.00
Total Current Assets
57,728.00
Property/Plant/Equipment, Total - Gross
30,522.00
Accumulated Depreciation, Total
-13,584.00
Goodwill, Net
45,067.00
Intangibles, Net
53,833.00
Long Term Investments
9,457.00
Other Long Term Assets, Total
4,979.00
Total Assets
188,002.00
Accounts Payable
3,836.00
Accrued Expenses
2,169.00
Notes Payable/Short Term Debt
4,012.00
Current Port. of LT Debt/Capital Leases
6.00
Other Current liabilities, Total
18,046.00
Total Current Liabilities
28,069.00
Long Term Debt
34,931.00
Capital Lease Obligations
-
Total Long Term Debt
34,931.00
Total Debt
38,949.00
Deferred Income Tax
19,597.00
Minority Interest
431.00
Other Liabilities, Total
22,784.00
Total Liabilities
105,812.00
Redeemable Preferred Stock, Total
39
Preferred Stock - Non Redeemable, Net
45.00
Common Stock, Total
445.00
Additional Paid-In Capital
71,423.00
Retained Earnings (Accumulated Deficit)
46,210.00
Treasury Stock - Common
-31,801.00
Other Equity, Total
-4,129.00
Total Equity
82,190.00
Total Liabilities & Shareholders' Equity
188,002.00
Shares Outs - Common Stock Primary Issue Total Common Shares Outstanding
7,575.00
Zdroj: http://www.google.com/finance?q=NYSE:PFE&fstype=ii
40
Výkaz zisků a ztrát firmy Pfizer, Inc. za rok 2011 Tabulka č. 6: Výkaz zisků a ztrát firmy Pfizer, Inc. za rok 2011 In Millions of USD (except for per share items) Revenue
12 months ending 2011-12-31 67,425.00
Other Revenue, Total
-
Total Revenue
67,425.00
Cost of Revenue, Total
15,085.00
Gross Profit
52,340.00
Selling/General/Admin. Expenses, Total
19,369.00
Research & Development
8,434.00
Depreciation/Amortization
5,585.00
Interest Expense(Income) - Net Operating
-
Unusual Expense (Income)
5,363.00
Other Operating Expenses, Total
-396.00
Total Operating Expense
54,663.00
Operating Income
12,762.00
Interest Income(Expense), Net Non-Operating
-
Gain (Loss) on Sale of Assets
-
Other, Net
-
Income Before Tax
12,762.00
Income After Tax
8,739.00
Minority Interest
-42.00
Equity In Affiliates
-
Net Income Before Extra. Items
8,697.00
Accounting Change
-
Discontinued Operations
-
Extraordinary Item
-
Net Income
10,009.00
Preferred Dividends
-
Income Available to Common Excl. Extra Items
8,695.00
Income Available to Common Incl. Extra Items
10,007.00
Basic Weighted Average Shares
-
Basic EPS Excluding Extraordinary Items
-
Basic EPS Including Extraordinary Items
-
Dilution Adjustment
2.00
Diluted Weighted Average Shares
7,870.00
Diluted EPS Excluding Extraordinary Items
1.XI
Diluted EPS Including Extraordinary Items
41
Dividends per Share - Common Stock Primary Issue
0.80
Gross Dividends - Common Stock
-
Net Income after Stock Based Comp. Expense
-
Basic EPS after Stock Based Comp. Expense
-
Diluted EPS after Stock Based Comp. Expense
-
Depreciation, Supplemental
-
Total Special Items
-
Normalized Income Before Taxes
-
Effect of Special Items on Income Taxes
-
Income Taxes Ex. Impact of Special Items
-
Normalized Income After Taxes
-
Normalized Income Avail to Common
-
Basic Normalized EPS
-
Diluted Normalized EPS
I.65
Zdroj: http://www.google.com/finance?q=NYSE:PFE&fstype=ii
42
Cash flow statement firmy Pfizer, Inc. za rok 2011 Tabulka č. 7: Cash flow statement firmy Pfizer, Inc. za rok 2011 In Millions of USD (except for per share items)
12 months ending 2011-12-31
Net Income/Starting Line
10,051.00
Depreciation/Depletion
9,026.00
Amortization
-
Deferred Taxes
264.00
Non-Cash Items
-55.00
Changes in Working Capital
954.00
Cash from Operating Activities
20,240.00
Capital Expenditures
-1,660.00
Other Investing Cash Flow Items, Total
3,860.00
Cash from Investing Activities
2,200.00
Financing Cash Flow Items
-
Total Cash Dividends Paid
-6,234.00
Issuance (Retirement) of Stock, Net
-8,832.00
Issuance (Retirement) of Debt, Net
-5,541.00
Cash from Financing Activities
-20,607.00
Foreign Exchange Effects
-29.00
Net Change in Cash
1,804.00
Cash Interest Paid, Supplemental
2,085.00
Cash Taxes Paid, Supplemental
2,938.00
Zdroj: http://www.google.com/finance?q=NYSE:PFE&fstype=ii
43
SEZNAM GRAFŮ Struktura aktiv a cizích zdrojů firmy Pfizer, Inc. v jednotlivých letech v milionech USD Graf č. 3: Struktura aktiv a cizích zdrojů firmy Pfizer, Inc. v jednotlivých letech v milionech USD
Zdroj:http://www.google.com/finance?q=NYSE:PFE&fstype =ii
Struktura výnosů firmy Pfizer, Inc. v jednotlivých letech v milionech USD Graf č. 4: Struktura výnosů firmy Pfizer, Inc. v jednotlivých letech v milionech USD
Zdroj:http://www.google.com/finance?q=NYSE:PFE&fstype =ii
44
Rozbor provozních výnosů firmy v jednotlivých letech v milionech USD
Pfizer,
Inc.
Graf č. 5: Rozbor provozních výnosů firmy Pfizer, Inc. v jednotlivých letech v milionech USD
Zdroj:http://www.google.com/finance?q=NYSE:PFE&fstype =ii
Struktura výdajů firmy Pfizer, Inc. v jednotlivých letech v milionech USD Graf č. 6: Struktura výdajů firmy v jednotlivých letech v milionech USD
Pfizer,
Inc.
Zdroj:http://www.google.com/finance?q=NYSE:PFE&fstype =ii
45