Вход

ПРОГНОЗИРОВАНИЕ КУРСА АКЦИЙ ГАЗПРОМА

Рекомендуемая категория для самостоятельной подготовки:
Диссертация*
Код 214157
Дата создания 15 марта 2017
Страниц 59
Мы сможем обработать ваш заказ 20 сентября в 12:00 [мск]
Файлы будут доступны для скачивания только после обработки заказа.
2 110руб.
КУПИТЬ

Описание

Цель данной работы: исследовать эффективность основных существующих методов прогнозирования цен на акции, предложить подход, позволяющий эффективно их прогнозировать. На основе полученных результатов оценить привлекательность инвестирования в акции ПАО «Газпром».
Задачи, которые необходимо решить для достижения цели:
1. Обобщить основные положения современных подходов к прогнозированию цен акций и оценить возможность их использования для прогнозирования акций ОАО «Газпром».
2. Оценить трудоемкость, эффективность, достоинства и недостатки существующих методов, а также определить основные критерии для их использования.
3. Произвести оценку различных методов для прогнозирования цены на акции ПАО «Газпром» и провести их эмпирическую апробацию на реальных данных.
4. Построить ретроспективный п ...

Содержание

ОГЛАВЛЕНИЕ
Оглавление 2
Введение 4
1. Описание предметной области 7
1.1. Фондовый рынок 7
1.2. Описание компании 8
1.3. Фундаментальный анализ 9
1.3.1. Принципы фундаментального анализа 10
1.3.2. Этапы фундаментального анализа 10
1.3.3. Расчёт справедливой цены акции 12
1.4. Технический анализ 13
1.4.1. Принципы технического анализа. 13
1.4.1. Инструменты технического анализа. 14
1.5. Выводы 16
2. Методы прогнозирования курсов акций 17
2.1 Обзор основных статистических методов 17
2.2. Классификация методов и моделей прогнозирования 21
2.3. Временные ряды 24
2.4. Выводы 30
3. Прогнозирование цен на акции на примере ОАО «Газпром» 32
3.1. Оценка справедливой стоимости акций «Газпром» 32
3.1.1. Расчёт коэффициентов модели 36
3.1.2. Расчет справедливой стоимости акции 40
3.2. Прогнозирование курса акций с помощью временных рядов 41
3.2.1. Визуализация данных 42
3.2.2. Стационарность ряда 44
3.2.3. Описание моделей 46
3.3. Сравнение моделей 49
3.4. Оценка рисков 50
Заключение 55
Литература 57
Приложение 1. Основные характеристики моделей. 59

Введение

ВВЕДЕНИЕ

Прогнозирование будущих цен на акции широко изучается во многих областях знаний, в том числе трейдинге, финансах, статистике и информатике. Основной целью прогнозирования будущих цен на акции является получение спекулятивной прибыли. Предсказания цен на финансовые инструменты используются для снижения рыночного риска и увеличения доходности, и производятся на основе рыночной информации. С момента начала торговли на фондовом рынке до текущего момента объём и характер информации существенно изменились: сегодня любой человек с доступом в сеть Интернет может получить терабайты данных, так или иначе связанных с фондовым рынком. Из-за увеличения информационного потока и его скорости методы, изначально использовавшиеся для торговли, претерпели значительные преобразования.
Динамика рынко в капитала изучается уже более 100 лет, анализ и прогнозирование цен на финансовые инструменты описаны в большом количестве исследований, основными из которых являются работы Дж. Литнера, Г. Марковица, Ж. Моссина, Дж. Тобина, У. Шарпа, Э. Элтона. В области финансов большинство традиционных моделей прогнозирования цен акций используют статистические модели и модели нейронных сетей, обученных на исторических данных о ценах (Park, Irwin, 2007).
Выделяют два основных подхода к прогнозированию курсов акций: традиционные методы, применяемые инвесторами на фондовом рынке, и математические модели. Традиционный подход включает в себя фундаментальный и технический анализ. Математический подход к прогнозированию представлен статистическими методами, моделями на основе нейронных сетей, генетическими алгоритмами, моделями системной динамики и многими другими.
Проблема состоит в том, что оба подхода не гарантируют абсолютную точность: по неофициальной статистике, процент успешных трейдеров весьма мал, а трейдер, закрывающий хотя бы 50% сделок с прибылью, считается достаточно успешным. Математические модели чаще всего критикуют за сложность и структуру, тяжело адаптирующуюся под процессы на фондовом рынке, а также за нереалистичные предпосылки. Например, главная предпосылка в теории детерминированного хаоса – случайность колебаний цен на финансовые инструменты (Робертс, 1959), ставится под сомнение после наблюдения за падением котировок компаний, опубликовавших финансовый отчёт ниже ожиданий рынка.
Таким образом, очевидно, что на данный момент не существует универсального метода прогнозирования цены на финансовый инструмент: для каждого инструмента необходимо проводить отдельный анализ.
Объектом исследования в представленной работе являются цены на обыкновенные акции ПАО «Газпром» (тикер GAZP), котирующиеся на Московской Бирже.
Предметом исследования являются методы описания и прогнозирования цены на акции на вторичном фондовом рынке.
Актуальность исследования состоит в привлекательности данной акции для инвесторов в силу её популярности: частотность поискового запроса, содержащего слова «купить акции Газпром», составляет 5575 показов ежемесячно. Для сравнения, аналогичные запросы для акций компаний Apple и Tesla имеют частотность 410 и 425 запросов соответственно. Таким образом, данная акция считается одной из самых привлекательных на российском фондовом рынке, однако её цена при детальном рассмотрении противоречит общепринятому восприятию выгодности покупки. Для того, чтобы установить, стоит ли инвестировать в акции GAZP, необходимо проанализировать и предсказать будущее движение цен.
Цель данной работы: исследовать эффективность основных существующих методов прогнозирования цен на акции, предложить подход, позволяющий эффективно их прогнозировать. На основе полученных результатов оценить привлекательность инвестирования в акции ПАО «Газпром».
Задачи, которые необходимо решить для достижения цели:
1. Обобщить основные положения современных подходов к прогнозированию цен акций и оценить возможность их использования для прогнозирования акций ОАО «Газпром».
2. Оценить трудоемкость, эффективность, достоинства и недостатки существующих методов, а также определить основные критерии для их использования.
3. Произвести оценку различных методов для прогнозирования цены на акции ПАО «Газпром» и провести их эмпирическую апробацию на реальных данных.
4. Построить ретроспективный прогноз и проанализировать полученные результаты.
В данной работе использованы методы научного синтеза, анализа, математического моделирования и сравнения полученных результатов.
Новизна данного исследования состоит в сочетании традиционных и статистических методов прогнозирования, позволяющих одновременно с прогнозом цены на акции получать оценку риска. Также в ходе работы получены выводы, углубляющие знания о прогнозировании цен акций.
Практическая значимость. В исследовании разработан подход к прогнозированию цены акций ПАО «Газпром», который позволяет с высокой долей вероятности получать спекулятивный доход выше нулевого.
Первая глава диссертации описывает предметную область. Вторая глава содержит описание методов прогнозирования цен финансовых инструментов, а также необходимую методологическую базу для выполнения практической части работы. В третьей главе представлена апробация подхода к прогнозированию цен на обыкновенные акции компании ПАО «Газпром». В заключении подведены итоги выполненной работы и даны практические рекомендации по использованию результатов.

Фрагмент работы для ознакомления

Недостатком этого класса моделей является отсутствие гибкости (Prajacta, 2003).Данная классификация представляет основные и часто используемые модели прогнозирования. Тем не менее, в настоящее время моделей прогнозирования насчитывается гораздо больше: например, существует большое количество моделей временных рядов; есть множество моделей, использующих методы опорных векторов и генетического алгоритма. Они тоже получили широко распространение. Основные характеристики методов и моделей представлены в Приложении 1.2.3. Временные ряды  Процесс прогнозирования представляет собой исследование конкретных перспектив развития предсказываемого процесса. Временной ряд – это последовательность значений, полученных в определенные моменты времени. Временной ряд включает в себя два обязательных элемента – метку времени и соответствующее ей значение ряда (Бокс и Дженкинс, 1974). Основной принцип, предполагающий возможность использования временных рядов заключается в предположении, что факторы, влияющие на объект исследования в прошлом, влияют на него и в будущем.    При прогнозировании временных рядов выделяют следующие этапы:построение и описание графика временного ряда;выбор и анализ модели, характеризующей данные;декомпозиция временного ряда на трендовую, сезонную и циклическую компоненты;фильтрация и удаление высоко- и низкочастотных составляющих временного ряда;анализ остатков, полученных после декомпозиции временного ряда;прогнозирование значений временного ряда (Грешилов, Стакун, 2000).Так как при анализе временных рядов поиск зависимостей производится в самом ряде, то и факторы, влияющие на значения ряда, обнаруживаются внутри ряда. Для обнаружения данных факторов применяют метод декомпозиции временного ряда на компоненты. Основными компонентами ряда являются тренд, цикл, сезонная и случайная компоненты. Выделяют четыре основных типа моделей исследуемых данных: горизонтальная, тренд, сезонная и циклическая. Горизонтальная модель поведения данных предполагает флуктуацию наблюдений относительно некоторого постоянного уровня. Трендом называют модель поведения, при которой наблюдения возрастают или убывают в течение большого временного периода. Соответственно, трендом называют компоненту временного ряда, отражающую длительную возрастающую или убывающую тенденцию. Циклическая компонента представляет собой флуктуации наблюдений вокруг тренда. О наличии циклического поведения в данных говорит наличие подъёмов и спадов с нефиксированным интервалом времени. Циклическую компоненту и тренд называют тенденцией. О сезонности свидетельствуют единообразные изменения в данных с фиксированным периодом. Выбросы, не обусловленые сезонностью, цикличностью или трендом, называют случайными компонентами.Существуют два типа моделей временного ряда: аддитивная и мультипликативная. Аддитивная модель предполагает значение ряда суммой его компонент. Мультипликативная модель динамического ряда, признанная классической в силу более широкого применения, полагает любое значение ряда произведением его компонентов: для i-ого годового наблюдения: Yi=Ti∙Ci∙Iiгде Ti – тренд, Ci – циклический компонент для i-ого наблюдения, Ii – значение случайного компонента в i-ом году. Для значений ряда за период, не превышающий год, уравнение для i-ого периода принимает следующий вид:Yi=Ti∙Si∙Ci∙Iiгде Ti – значение тренда, Si – значение сезонного компонента в i-ом периоде, Ci – значение циклического компонента в i-ом периоде, Ii – значение случайного компонента в i-ом периоде. Мультипликативная модель легко сводится к аддитивной модели временного ряда логарифмированием. После декомпозиции временного ряда, производится экстраполяция на заданное количество шагов. В настоящее время выделяют три основных класса статистических методов прогнозирования временных рядов: эконометрические, регрессионные и Бокса-Дженкинса (краткие характеристики были представлены в предыдущей главе).Рассмотрим эконометрические методы прогнозирования: наивные методы прогнозирования временных рядов, методы средних и скользящих средних, методы Хольта, Винтерса и Брауна.При наивном прогнозировании предполагается, что последний период описывает будущее значение наилучшим образом. Именно поэтому в данном типе моделей прогнозное значение задаётся простой зависимостью от значений временного ряда в недалеком прошлом. Самая простая функция наивного прогноза полагает, что будущее будет неизменно, и задаётся функцией следующего вида:Yt+1=Y(t)Такой подход немного примитивен, особенно для описания сложных процессов. Поэтому, выделяют другой вид наивных моделей, задающийся формулой Yt+1=Yt+[Yt-Y(t-1)]илиYt+1=Yt*YtY(t-1)То есть, такой вид наивного прогнозирования пытается учесть сезонную компоненту и тренд временного ряда.Метод средних. Относительно простыми моделями являются модели, основанные на усреднении. Одной из таких моделей является модель, описываемая уравнением Yt+1=1ti=1tYtДанная модель предполагает некоторую зависимость от предыдущих периодов, в данном случае, от среднего значения временного ряда. Таким образом, данная модель может описать сложный процесс адекватно, но высокого соответствия процессу добиться сложно. Метод скользящих средних не совсем объективен, так как для вычисления средних значений выбирается некоторый период L, но, по крайней мере, он более адекватен относительно рассмотренных ранее методов. Основная проблема прогнозирования процесса состоит в следующем: модель предполагает, что будущие значения с большей вероятностью будут похожи на последние значения временного ряда. С целью исключить циклические колебания, длина выбранного периода должна быть кратна средней длине цикла. Скользящие средние для выбранного периода, имеющего длину L, образуют последовательность средних значений, вычисленных для последовательностей длины L. Скользящие средние обозначаются символами MA(L).Также часто используется метод экспоненциальных средних: он постоянно адаптируется за счёт использования новых значений временного ряда. Его формула выглядит следующим образом:Yt+1=αYt+(1-α)Y(t)где Y(t) – предыдущий прогноз на период t, а α, 0≤α≤1 – постоянная сглаживания. Данная постоянная определяет взаимосвязь прогнозного значения текущего периода от прогнозных значений предыдущих периодов, причём данная взаимосвязь становиться слабее с течением времени. Чаще всего, параметр α тестируется итеративно, и в модель выбирается тот показатель, при котором точность прогноза наибольшая. 51282984113145171858422474Данные классы моделей, несмотря на иногда предельное несоответствие исследуемым процессам всё же используют при прогнозировании, благодаря их простоте в качестве вспомогательных или трансформирующих. Для обеспечения большей точности рекомендуется использовать другие классы моделей. Метод экспоненциального сглаживания является последовательностью экспоненциально взвешенных скользящих средних. При использовании данного метода некоторые данные не отбрасываются, а берутся с весами: часто встречаемые величины получают большие веса, чем более редко встречаемые. Сглаживание производится на основе уравнения, содержащего три компонента: текущее значение ряда, значение ряда, предшествующее текущему значению, и присвоенный вес α.Метод Хольта – это метод, представляющий собой усовершенствование метода экспоненциального сглаживания: сглаживаются тренд и уровень с разными параметрами, то есть получают двухпараметрическое экспоненциальное сглаживание: Ωt=αYt+1-αΩt-Tt-1,Tt=βΩt-Ωt-1+1-βTt-1,Yt+p=Ωt+pTtПервое уравнение данной системы сглаживает общий уровень ряда, второе – оценивает тренд, а третье уравнение задаёт прогноз на p шагов вперед.Веса, с которыми берутся переменные в данной системе уравнений, определяются так же итеративно, как и в методе экспоненциального сглаживания. При α=β данный метод называется методом Брауна. Данный метод не описывает сезонные колебания.Метод Винтерса – это трёхпараметрическое экспоненциальное сглаживание, которое старается учесть динамику сезонной компоненты временного ряда и задаётся следующей системой:Ωt=αYtSt-s+1-αΩt-Tt-1,Tt=βΩt-Ωt-1+1-βTt-1,St=γYtΩt+1-γSt-s,Yt+p=(Ωt+pTt)St-s+pПервое уравнение данной системы исключает сезонную компоненту и учитывает её только в прогнозном уравнении. Далее рассмотрим регрессионные методы прогнозирования. Дадим определение множественной регрессии. В общем случае, она задаётся уравнением видаY=FX1,X2, … XN+εМножественная линейная регрессия задаётся уравнением видаY=β0+β1X1+β2X2+. . .+βNXN+εгде β1, β2,…, βN – коэффициенты регрессии, а ε – независимая и нормально распределённая компонента ошибки. Данные модели чаще всего решают методом наименьших квадратов, который был рассмотрен в разделе 2.1, либо методом наибольшего правдоподобия. Отдельного внимания требуют модели Бокса-Дженкинса: AR(p), MA(q), ARMA(p,q), ARIMA (p,r,q), ARIMA (p,r,q)(P,R,Q), ARIMAX. Предполагается, что данные модели не имеют независимых переменных, то есть ищут взаимосвязи внутри самого временного ряда. Также есть расширения, которые позволяют включать независимые переменные. Методы Бокса-Дженкинса задают только класс моделей, а не их чёткое построение, что делает данный метод гибким. После определения класса моделей, подгоняются параметры модели в зависимости от природы временного ряда, и на выходе получается оптимальная модель. Связь моделей в методе Бокса-Дженкинса можно определить следующим образом:ARp+MA(q)→ARMA(p,q)→ARMA(p,q)(P,Q)→ARIMA(p,q,r)(P,Q,R)Рассмотрим авторегрессионную модель порядка p AR(p). Данная модель задаётся следующим уравнением:Yt=α0+i=1pαiYt-i+εtгде Yt – зависимая переменная в момент времени t. α1, α2, …, α3 – оцениваемые параметры авторегрессии, εt – ошибка модели. Чаще всего, поиск параметров авторегрессии производят с помощью системы уравнений Юла-Уолкера, основанной на автокорреляционной функции либо с помощью метода наименьших квадратов. Модель со скользящим средним порядка q MA(q) в общем виде представлена уравнением: Yt=j=1qβjεt-jБелый шум считается моделью порядка — MA(0). Чаще всего, используют процесс скользящего среднего первого порядка MA(1). Модель ARMA (p,q) объединяет модели авторегрессии порядка p и скользящего среднего порядка q. Уравнение модели имеет видYt=α0+εt+i=1pαiYt-i+ j=1qβjεt-j.Данная модель иногда интерпретируется как модель множественной линейной регрессии, в которой предикторами являются значения временного ряда предыдущих периодов, а регрессионный остаток дан в виде скользящих средних белого шума. Данная модель имеет меньшее количество параметров по сравнению с составляющими его AR(p) и MA(q) процессами.Модель ARIMA (p, d, q) – это интегрированная модель авторегрессии – скользящего среднего. Является расширением модели ARMA (p, q) для нестационарных рядов. Полагается, что нестационарный ряд можно привести к стационарному временному ряду путём взятия разности порядка d от исходного ряда динамики. Задаётся уравнением вида∆dYt=α0+εt+i=1pαi∆dYt-i+ j=1qβjεt-j.Простейшим примером данной модели является модель случайного блуждания. При d=0 наблюдается модель ARMA(p, q).Обобщённая модель авторегрессионной условной гетероскедастичности (GARCH) – семейство моделей, предназначенных для анализа финансовых временных рядов. Основной особенностью данного класса моделей является то, что условная дисперсия ряда зависит от предшествующих значений и их дисперсий. Процесс GARCH чаще всего используется для профессионального финансового моделирования, так как предпосылки, заложенные в модели, обеспечивают более реальные условия при прогнозировании цен и доходностей, чем другие формы. Используется как при инвестировании, так и при торговле финансовыми инструментами и хеджировании. Качество результатов, полученных с помощью данных моделей чаще всего оказывается выше из-за учёта кластеров волатильности временного ряда.2.4. ВыводыРассмотрев основные принципы и понятия прогнозирования, его методы и модели, а также современные средства для выполнения данной работы, можно сделать промежуточное заключение. Фундаментальный анализ с теоретической точки зрения основывается на гипотезе эффективности рынка, что не совсем соответствует реальности, так как в противном случае на рынке не существовало бы недооценённых или переоценённых активов. Применение фундаментального анализа на практике требует наличия доступа к информации, высокой квалификации и больших затрат времени, но при этом всё равно основывается на субъективной оценке аналитика. Из-за недостатков фундаментальный анализ чаще всего применяется для принятия решений с целью долгосрочного инвестирования. Эффективность применения фундаментального анализа отражена в ряде работ, например, «Оценка активов с использованием мультипликаторов» (Шрайнер, 2007). Его неэффективность также описана в большом списке работ, одна из которых, например, «Прогнозирование доходности на фондовом рынке» (Hjalmarsson, 2008). Технический анализ, как и фундаментальный, имеет свои преимущества и недостатки, приведённые в различных работах. Например, среди трудов, рассматривающих технический анализ как эффективный, можно назвать «Profitable Technical Trading Rules for the Italian Stock market» (Metaghachi, 2003), «Эффективность использования технического анализа: доказательства, полученные на российском фондовом рынке» (Щербаков, 2010). Негативные отзывы о результатах применения данного типа анализа можно найти в работе «Применение технического анализа на современном российском фондовом рынке» (Бучко, 2011), «Энциклопедия торговых стратегий» (Кац, МакКормик, 2000) и многих других. Среди недостатков технического анализа можно назвать следующие: ограниченность используемой информации (цены и объёмы), вследствие чего не учитывается влияние связанных параметров, излишнее упрощение зависимостей динамики цен, низкий уровень адаптивности к влиянию рыночных факторов. Среди преимуществ использования технического анализа можно назвать его эффективность в краткосрочном и среднесрочном прогнозировании.Чаще всего, для принятия решения используются и фундаментальный, и технический анализ.Статистические методы представляются наилучшим вариантом для прогнозирования цен на акции, так как с помощью адекватной модели можно прогнозировать как на краткосрочный, так и на долгосрочный период. Также, при использовании статистических методов, одновременно применяются как принципы фундаментального анализа (при изучении достаточного количества данных акция должна стремиться к своей справедливой цене), так и, как было отмечено ранее, принципы технического анализа в более расширенном варианте. 3. Прогнозирование цен на акции на примере ОАО «Газпром»В данной главе представлены результаты исследования по прогнозированию цен на обыкновенные акции ОАО «Газпром». Исследование представляет собой комплексный подход к моделированию и включает в себя как прогнозирование традиционными, так и математическими методами. В основе данного исследования были использованы работы авторов из России и зарубежных стран в области финансов, анализа и прогнозирования на фондовом рынке, а также материалы статей периодических зданий, таких как «Finаnсiаl One», «Jоurnаl оf Finаnсiаl Есоnоmiсs», «РБК Dаily» и других, а также обзоры и прогнозы инвестиционных компаний. Кроме того, активно использовались ресурсы сети Интернет, такие как официальные сайты российских эмитентов и фондовых бирж, информационных агентств РБК, БКС, Сbоnds.ru и другие.Данные. Основные данные для исследования представляют собой информацию о компании ОАО «Газпром». В ходе работы использовались данные финансовых отчётов компании, представленные на официальном сайте эмитента. Графики и котировки акций эмитента были собраны с официального сайта Московской Биржи (ММВБ). Данные консенсус-прогнозов предоставлены ООО «РосБизнесКонсалтинг». Также были использованы статистические данные ЦБ РФ.В данной работе описаны основные методы прогнозирования цен на акции, их применимость и эффективность. Приведён практический результат использования некоторых моделей для оценки, анализа и прогнозирования курса акций ОАО «Газпром». Оценка справедливой стоимости акций «Газпром»Для оценки справедливой стоимости акций «Газпрома» используется фундаментальный анализ на основе DFC-модели (см. раздел 1.1). В ходе анализа эмитента была определена справедливая стоимость акций ПАО «Газпром» за период 2007-2020 гг. Для расчета чаще всего применяется модель дисконтированных денежных потоков на основе двухпериодной DCF-модели свободных денежных потоков:V0=i=1nFCFFi1+WACCi+TFC (1)где FCFF – свободный денежный поток фирмы. Рассмотрим основные предпосылки данной модели:Прогнозный период имеет единую ставку дисконтирования. В пост-прогнозном периоде компания имеет устойчивый темп роста, сопоставимый с темпами роста экономики. В пост-прогнозном периоде ставка дисконтирования полагается равной целевому значению и предполагает оптимальность структуры капитала. Остаточная стоимость эмитента производится по модели Гордона, с приведением к моменту времени оценки стоимости компании. В данной работе для расчёта остаточного денежного потока (TCF, Terminal Cash Flow) формула (1) преобразуется следующим образом:V0=i=1nFCFFi1+WACCi+11+WACCn×FCFFn×(1+g)WACCTCF-g (2)где V0 – справедливая стоимость компании, FCFFi – свободный денежный поток компании в i-ом периоде, FCFFn – свободный денежный поток компании в последнем периоде, WACC и WACCTFC – ставки дисконтирования в прогнозном и постпрогнозном периодах, g – темпы роста свободных денежных потоков в постпрогнозном периоде, n – количество периодов наблюдения. -1268394690617Поскольку при расчете фактической справедливой стоимости компании за 2007–2015 гг. используется фактическая отчетность компании, а при оценке справедливой стоимости на 2016–2020 гг. – планируемые показатели ее деятельности, следует пересмотреть решение о постоянной ставке дисконтирования на всём периоде. Ставку дисконтирования WACC может быть получена на основе исторических данных для периода с 2006 по 2015 годы. Формула (1) модифицируется до следующего вида:V0=i=1nFCFFi1+WACCi+11+WACCnn×FCFFn×(1+g)WACCn-g (3)где WACCi – ставка дисконтирования в i-ом периоде наблюдения, WACCn – ставка дисконтирования в последнем периоде наблюдения.Построение графика фактической справедливой цены предполагает ежеквартальный пересчет на основе полученных данных финансовой отчетности, а также аналитических прогнозов по компании и рынку в целом. Метод позволяет фиксировать значение WACC для каждого периода в прошлом. Исследование основывается на исторических данных за период с 31 декабря 2006 г. по 31 декабря 2015 г., в результате чего получается 37 точек наблюдения. В таблице 1 приведены основные этапы расчета с указанием необходимой для него информации. Таблица 1. Расчет справедливой стоимости акций Газпром, основные источники.Блок расчётаГруппа показателейПоказателиИсточники данныхРасчёт свободного денежного потокаФинансовая отчётность ГазпромОперационная прибыльОфициальный сайт Газпром Налог на прибыльАмортизацияКапитальный вложенияДенежные средстваКредиторская задолженностьДебиторская задолженностьАналитические прогнозыПрогноз FCFThomson OneРасчёт WACCКотировкиYTM облигацийCbondsФинансовая отчётность эмитентаКотировки акцииММВБКраткосрочные обязательстваОфициальный сайт Газпром Долгосрочные обязательстваПроцентные ставки по кредитамФинансовый рычагКоличество акцийМакроэкономи-ческие факторыИнфляцияЦентральный банк РФКурс доллараСтавка без рискаОтраслевая бетаРБКРейтинги эмитентов и облигационных займовCbonds.ruАнализ полученных результатовКотировкиКотировки индекса ММВБМосковская биржаАналитические прогнозыКонсенсус-прогнозы стоимости акций эмитентовQuote.ruСвободный денежный поток компании рассчитывается по формулеFCFF = EBIT (1 – T*) + D&A – ΔNWC – CapEx, (4)где EBIT —прибыль до выплаты процентов и налога на прибыль; T* — эффективная ставка налога на прибыль; D&A — износ и амортизация; ΔNWC — изменение оборотного капитала; CapEx — капитальные затраты.

Список литературы

ЛИТЕРАТУРА
1. Айвазян С.А. Эконометрика. М.: Маркет ДС, 2010.
2. Бокс Дж., Дженкинс Г.М. Анализ временных рядов, прогноз и управление. М.: Мир, 1974.
3. Бучко Ю.В. Оптимизация алгоритмических торговых систем фондового рынка. М.: Бизнес Элайнмент, 2011.
4. Леоненков А. Нечеткое моделирование в среде MATLAB и fuzzyTECH. СПб: БХВ-Петербург, 2005.
5. Тихонов Э.Е. Прогнозирование в условиях рынка. Невинномысск, 2006.
6. Большой экономический словарь / под ред. А. Н. Азриляна. – 7-е изд., доп. – М. : Инт новой экономики, 2007.
7. Грешилов А. А., Стакун В. А., Стакун А. А. Математические методы построения прогнозов. М., 2000.
8. Московская межбанковская валютная биржа ММВБ. [Электронный ресурс]; – Режим доступа: http://moex.ru/ (Дата обращения: 12.04.2016)
9. Мерфи Джон Дж. Межрыночный анализ. Принципы взаимодействия финансовых рынков. М.: «Альпина Паблишер», 2012.
10. Мэрфи Джон Дж. Технический анализ фьючерсных рынков. Теория и практика — М.: «Альпина Паблишер», 2011.
11. Невейкин, В.П. Скрытые проблемы методологии фундаментального анализа для оценки истинной стоимости акций / В.П. Невейкин // Финансы и кредит. – 2008. – № 41.
12. Нормативные системы в прогнозировании развития предпринимательского сектора экономики / Л.И. Муратова [и др.] // Управление экономическими системами. 2009, №20.
13. Официальный сайт Газпром. [Электронный ресурс]; – Режим доступа: http://www.gazprom.ru/ (Дата обращения: 12.04.2016)
14. РБК. [Электронный ресурс]; – Режим доступа: http://www.rbc.ru/ (Дата обращения: 12.04.2016)
15. РБК Quotes. [Электронный ресурс]; – Режим доступа: http://www.quote.rbc.ru/ (Дата обращения: 12.04.2016)
16. Центробанк РФ. [Электронный ресурс]; – Режим доступа: http://cbr.ru/ (Дата обращения: 12.04.2016)
17. Щербаков В. Эффективность использования технического анализа: доказательства на российском фондовом рынке // Экономика и менеджмент. 2010. № 4.
18. Cbonds. [Электронный ресурс]; – Режим доступа: http://cbonds.ru/ (Дата обращения: 12.04.2016)
19. Draper N., Smith H. Applied regression analysis. New York: Wiley In Press. 1981
20. Graham B., Dodd D. Security Analysis. The Classic 1934 Edition. McGraw-Hill Companies, 1996
21. Fama E., French K. The Cross-Section of Expected Stock Returns. The Journal of Finance, Volume 47, Issue 2 (Jun., 1992).
22. Hamada R.S. «The effect of the firm’s capital structure on the systematic risk of common stocks». The Journal of Finance, 1972. Vol. 27, No. 2, pp. 435–452.
23. Hank J., Reitsch A. Business Forecasting. Boston: Prentice Hall Press. 2003
24. Hjalmarsson E. Predicting Global Stock Returns // Board of Governors of the Federal Reserve System. International Finance Discussion Papers. 2008.
25. Katz J.O. Encyclopedia of trading strategies. - M: Alpina publisher, 2000
26. Markowitz H. Portfolio Selection. The Journal of Finance, Vol. 7, No. 1. (Mar., 1952), p. 77-91.
27. Metaghachi D., Chang C. Profitable Technical Trading Rules for the Italian Stock market. 2003;
28. Murphy, John J. Technical analysis of the futures markets. 1999.
29. Park C., Irwin S. The Profitability of Technical Analysis [Электронный ресурс]; Режим доступа: http://citeseerx.ist.psu.edu (Дата обращения: 12.04.2016)
30. Prajakta S.K. Time series Forecasting using Holt-Winters Exponential Smoothing. Kanwal Rekhi. School of Information Technology Journal. No 13. 2004.
31. Roberts, H.V. (1959) ‘Stock-market “patterns” and financial analysis: Methodological suggestions’, The Journal of Finance, 14(1), p. 1. doi: 10.2307/2976094.
32. Schreiner A. Equity Valuation Using Multiples: An Empirical Investigation. 2007.
33. Thomson One. [Электронный ресурс]; – Режим доступа: http://thompsonone.com/ (Дата обращения: 12.04.2016)
34. Turner T. A Beginner’s Guide to Day Trading Online. Adams Media, 2nd edition, 2007.
35. Zhu J., Hong J., Hughes J.G. Using Markov Chains for Link Prediction in Adaptive Web Sites. UK, London: 1st International Conference on Computing in an Imperfect World. 2002.
Пожалуйста, внимательно изучайте содержание и фрагменты работы. Деньги за приобретённые готовые работы по причине несоответствия данной работы вашим требованиям или её уникальности не возвращаются.
* Категория работы носит оценочный характер в соответствии с качественными и количественными параметрами предоставляемого материала. Данный материал ни целиком, ни любая из его частей не является готовым научным трудом, выпускной квалификационной работой, научным докладом или иной работой, предусмотренной государственной системой научной аттестации или необходимой для прохождения промежуточной или итоговой аттестации. Данный материал представляет собой субъективный результат обработки, структурирования и форматирования собранной его автором информации и предназначен, прежде всего, для использования в качестве источника для самостоятельной подготовки работы указанной тематики.
© Рефератбанк, 2002 - 2021