О профессии фундаментального аналитика по акциям

Основной задачей фундаментального аналитика по акциям является подготовка документов, обосновывающих отбор акций для включения в инвестиционный портфель.
Различают buy-side аналитику и sell-side аналитику. Первый тип аналитики концентрируется на обосновании решений для внутреннего пользования, он может включать в себя дополнительные разделы связанные с верификацией методов, тестированием сценариев, оценкой рисков. Второй тип аналитики предназначен для публичного распространия, в основном он используется для побуждения инвесторов к сделкам, часто к такой аналитике предъявляются менее строгие требования по аргументированности чем для buy-side аналитики.
Отдельную специфику имеет аналитика для сделок Private Equity, её важной частью является организация процедуры due diligence c целью проверки бизнеса компании для установления контроля над её активами и денежными потоками.

Любой тип аналитики по акциям требует построения модели оценки стоимости. Основной моделью оценки стоимости является DCF модель. Это очень сложная модель если строить её обоснованно. Для полного её обоснования от аналитика требуется:
1) построение модели для прогноза продаж продукции компании;
2) прогнозирование денежных потоков компании и оценка маржинальности (нормы прибыльности) компании;
3) оценка рисков инвестирования в данную компанию, в том числе связанных с развитием отрасли, появлением инновационных продуктов-заменителей и возможностью банкротства компании;
4) оценка качества корпоративного управления данной компанией.

При выполнении этой работы аналитик часто прибегает к допущениям (assumptions) и экспертным оценкам. Например, для оценки будущей прибыли компании и денежного потока часто используются средние темпы роста. Или может использоваться более сложная модель, учитывающая прогноз выручки компании по сегментам на основе средних темпов роста, плюс прогноз прибыли и денежного потока на основе коинтеграции (постоянной маржинальности). Также, часто допущения основываются на качественной информации и не имеют под собой никакого логического основания, кроме простого доверия авторитету аналитика. При этом, если бы все профессиональные аналитики использовали одинаковые допущения, то полученные ими DCF модели можно было бы признать объективными. Однако существует такой очевидный факт как значительное различие мнений профессиональных аналитиков (оценка стоимости по DCF модели может различаться на 50-100%). Из-за него опытные инвесторы знают, что "прогнозы аналитика могут многое расскать о нем самом, но почти ничего о будущем" (Уоррен Баффет).

С точки зрения науки о данных, многие рекомендации фундаментальных аналитиков по акциям часто сводятся к допустимым различиям в рамках статистической погрешности. Из-за этого они не представляют из себя никакой ценности. В то же время сам аналитик старается продать эти рекомендации инвестору как уникальные. Так в DCF модели возникает субъективная предвзятость. Современная наука изучает такие предвзятости в рамках теории поведенческих финансов. Известно, что в ценах акций из-за этого возникают такие явления как овер- и андерреакция инвесторов на информацию плюс эффект возврата цен к среднему.

Дополнительно можно посмотреть следующее видео: "Что скрывается за рекомендациями аналитиков: рациональное обоснование или субъективная предвзятость?"

Преодолеть субъективную предвзятость в DCF моделях можно за счёт расширения набора анализируемых данных при использовании статистических методов прогнозирования. AI может анализировать данные не просто по отдельной компании и отрасли, но определять свойства стационарных данных по всем компаниям за все доступные периоды чтобы распознать наиболее вероятную траекторию развития. При этом он сразу отметит допустимую статистическую погрешность этой траектории и укажет на возможные риски. Вместо детального взгляда на бизнес компании, AI предлагает смотреть на группу компаний-аналогов с позиции стороннего наблюдателя. Это подразумевает, что изнутри компании будут приниматься грамотные (оптимальные) управленческие решения. Кроме того эта траектория может незначительно корректироваться для всех компаний в зависимости от экспертных корректировок макро- и/или отраслевого характера для данного момента времени.

Дополнительно можно посмотреть следующее видео: "Преимущества цифровой аналитики по акциям"

Забрав на себя рутину, AI позволяет аналитику сконцентрироваться на поиске уникальной информации, которая составляет для AI слепую зону, но при этом действительно может иметь ценность для обоснования инвестиционных решений. Часто такая уникальная информация связана со спецификой инновационного развития компании: долгосрочными конкурентными преимуществами её продуктов и технологий, проводимыми прикладными исследованиями и разработками. "Залезть" внутрь компании, чтобы оценить её перспективы - это важная задача профессионального аналитика по акциям который хочет создать ценность для инвестора. Для этого он должен владеть особыми компетенциями анализа и оценки эффективности инновационных стратегий компаний.

Вместе с тем, уникальная информация часто раскрывается через анализ механизмов ценообразования рынка акций. Это связано со спецификой раскрытия информации в финансовой отчетности, принципах корпоративного управления и различиями в поведении инвесторов на рынках акций разных стран. Например, согласно существующим исследованиям, рынки акций развитых стран соответствуют полусильной форме рыночной эффективности, и при корректной спецификации DCF модели поиск уникальной информации напрямую связан с перспективами инновационного развития компаний. В тоже время для России или для рынков Китая, где полусильная форма рыночной эффективности часто не выполняется, другие фундаментальные факторы могут иметь ценность для инвестора. Чтобы определить какие именно фундаментальные факторы имеют ценность на данном рынке проводится анализ механизмов ценообразования. В частности, с помощью такого анализа проводится верификация DCF моделей от AI.

Дополнительно можно посмотреть следующее видео: "Верификация результатов фундаментального анализа"

С применением DCF моделей от AI алгоритм поиска перспективных акций для портфельного инвестирования можно изложить следующим образом:
1) изучить специфику механизмов ценообразования на данном сегменте рынка;
2) сформировать портфель недооцененных акций на основе DCF модели от AI;
3) провести проверку на ошибки 1-го и 2-го рода (неверно купили и неверно не купили);
4) с учетом найденной уникальной информации провести корректировку оценок от AI;
5) сформировать итоговый портфель, пересматривать ежемесячно изменение его структуры, ожидать проявления результата от инвестирования на диапазоне 5-15 лет.

В отличие от традиционной работы фундаментального аналитика по акциям, аналитик, использующий DCF модели от AI, меньше фокусируется на рутиных задачах, но больше внимания уделяет поиску уникальной информации имеющей ценность для инвестора.