Разработка метода прогнозирования стоимости бизнеса публичных компаний в рамках сравнительного подхода с использованием искусственного интеллекта

Статья посвящена исследованию вопросов оценки стоимости бизнеса публичных компаний с использованием искусственного интеллекта. Цель исследования — разработка модели для прогнозирования стоимости бизнеса публичных компаний в рамках сравнительного подхода. Актуальность работы состоит в том, что в условиях неопределенности обосновать рыночную стоимость бизнеса публичных компаний непросто из-за того аспекта, что цены сделок в прошлом, которые являются базовой информацией для расчета рыночной стоимости в рамках метода рынка капитала, не отражают перспективы бизнеса. Научная новизна исследования состоит в разработке метода прогнозирования стоимости бизнеса публичных компаний с использованием основного раздела искусственного интеллекта — машинного обучения. Авторы применили следующие методы научного исследования: логический и статистический (корреляционный анализ), машинное обучение (линейная регрессия, дерево решений, ансамбли деревьев, рекуррентная нейронная сеть). Разработанный метод состоит из шести этапов, которые интегрируют основные шаги машинного обучения с классическими этапами стоимостной оценки. По результатам апробации метода разработано одиннадцать моделей экстраслучайных деревьев решений (Extra Trees), позволяющих спрогнозировать направление движения отраслевых индексов Московской биржи в зависимости от экзогенных и технических показателей. Сделан вывод о достаточно высокой точности разработанных моделей (на тестовых данных R2 составляет 0,99, MAPE — менее 1%) прогнозирования отраслевых индексов и пригодности метода для решения задачи определения цены на акции отдельной публичной компании в рамках метода рынка капитала. Перспектива дальнейшего исследования связана с разработкой прогностических моделей цены на акции для всех российских публичных компаний с учетом финансовых и поведенческих факторов. Статья может быть полезна для оценщиков, работающих в этой области, и для инвесторов.

1. Leong K.-Y., Ariff M., Alireza Z., Bhatti M.I. Bank stock valuation theories: Do they explain prices based on theories? International Journal of Managerial Finance. 2023;19(2):331-350. DOI: 10.1108/IJMF-06-2021-0278

2. Помулев А.А., Помулева Н.С. Методологические аспекты стоимостной оценки кредитных организаций в условиях внешней неопределенности. Финансы: теория и практика. 2022;26(6):212-232. DOI: 10.26794/2587-5671-2022-26-6-212-232

3. Cortes C., Vapnik V.N. Support-vector networks. Machine Learning. 1995;20:273-297. DOI: 10.1007/BF00994018

4. Choi M., Lee H.J., Park S.H., Jeon S.W., Cho S. Stock price momentum modeling using social media data. Expert Systems with Applications. 2024;237C:121589. DOI: 10.1016/j.eswa.2023.121589

5. Abinanda Vrishnaa K., Sabiyath Fatima N. Tweet based sentiment analysis for stock price prediction. In: Choudrie J., Mahalle P.N., Perumal T., Joshi A., eds. ICT with intelligent applications (ICTIS 2023). Singapore: Springer; 2023:249-259. (Lecture Notes in Networks and Systems. Vol. 719). DOI: 10.1007/978-981-99-3758-5_23

6. Vu L.T., Pham D.N., Kieu H.T., Pham T.T. Sentiments extracted from news and stock market reactions in Vietnam. International Journal of Financial Studies. 2023;11(3):101. DOI: 10.3390/ijfs11030101

7. Huang C., Huang. H.-Yi., Ho K.-C. Media coverage and stock liquidity: Evidence from China. International Review of Economics & Finance. 2024;89A:665-682. DOI: 10.1016/j.iref.2023.07.085

8. Kaur R., Sharma A. Prediction of stock prices of blue-chip companies using machine learning algorithms. International Journal of Business Intelligence and Data Mining. 2023;23(4):375-395. DOI: 10.1504/ijbidm.2023.134316

9. Low P.R., Sakk E. Comparison between autoregressive integrated moving average and long short term memory models for stock price prediction. IAES International Journal of Artificial Intelligence (IJ-AI). 2023;12(4):1828-1835. DOI: 10.11591/ijai.v12.i4.pp1828-1835

10. Gülmez B. Stock price prediction with optimized deep LSTM network with artificial rabbits optimization algorithm. Expert Systems with Applications. 2023;227:120346. DOI: 10.1016/j.eswa.2023.120346

11. Li Q., Kamaruddin N., Al-Jaifi H.A. Forecasting stock prices changes using long-short term memory neural network with symbolic genetic algorithm. Research Square. 2023. DOI: 10.21203/rs.3.rs-3284486/v1

12. Hang L., Liu D., Xie F.A Hybrid model using PCA and BP neural network for time series prediction in Chinese Stock Market with TOPSIS analysis. Scientific Programming. 2023:1-15. DOI: 10.1155/2023/9963940

13. Chen C., Xue L., Xing W. Research on improved GRU-based stock price prediction method. Applied Sciences. 2023;13(15):8813. DOI: 10.3390/app13158813

14. Shet A., Ashika S., Hanumanth D.N., Shetty S., Ranganatha K. Stock price prediction using machine learning. International Journal of Engineering Applied Sciences and Technology. 2022;7(2):225-228. DOI: 10.33564/ijeast.2022.v07i02.034

15. Sarkar M., Pratima M.N., Darshan R., Chakraborty D., Agrebi M. An intelligent model for identifying fluctuations in the stock market and predicting investment policies with guaranteed returns. In: Sharma R., Jeon G., Zhang Y., eds. Data analytics for Internet of things infrastructure. Internet of things. Cham: Springer; 2023:91-115. DOI: 10.1007/978-3-031-33808-3_6

16. Ibrahim A.A., Noori B., Fadil M.A. Forecasting stock prices with an integrated approach combining ARIMA and machine learning techniques ARIMAML. Journal of Computer and Communications. 2023;11(8):58-70 DOI: 10.4236/jcc.2023.118005

17. Karthikeyan C., Anselin Nisha S., Anandan P. et al. Predicting stock prices using machine learning techniques. In: 6 th Int. conf. on inventive computation technologies (ICICT). New York, NY: IEEE; 2021:1-5. DOI: 10.1109/ICICT50816.2021.9358537

18. Добрина М.В., Стрекалова Д.С. Прогнозирование цены закрытия акций в Python. Экономическое прогнозирование: модели и методы: Мат. XVII Междунар. науч.-практ. конф. (Воронеж, 22–23 декабря 2021 г.). Воронеж: Воронежский государственный университет; 2022:109-112.

19. Требоганов П.М. Торговые агенты на основе обучения с подкреплением. Научные записки молодых исследователей. 2020;8(6):46-57.

20. Prastika J., Ardiansyah M., Pangaribuan C.H., Putra O.P., Hidayat D. The impact of firm financial fundamentals on stock performance: An empirical evidence on Indonesian telecommunication sector. E3S Web of Conferences. 2023;426:02140. DOI: 10.1051/e3sconf/202342602140

21. Hendawy E., McMillan D.G., Sakr Z.M., Shahwan T.M. Relative informative power and stock return predictability: A new perspective from Egypt. Journal of Financial Reporting and Accounting. 2023. DOI: 10.1108/jfra-02-2023-0076

22. Jeevan В., Naresh E., Kumar B.P., Kambli P. Share price prediction using machine learning technique. In: 3 rd Int. conf. on circuits, control, communication and computing (I4C). (Bangalore, October 13-05, 2018). New York, NY: IEEE; 2018:1-4. DOI: 10.1109/CIMCA.2018.8739647

23. Коклев П.С. Оценка стоимости компании с использованием методов машинного обучения. Финансы: теория и практика. 2022;26(5):132-148. DOI: 10.26794/2587-5671-2022-26-5-132-148

24. Chen X., Cho Y.H., Dow Y., Lev B. Predicting future earnings changes using machine learning and detailed financial data. Journal of Accounting Research. 2022;60(2):467-515. DOI: 10.1111/1475-679X.12429

25. Guner P.U., Unal S.N. An artificial neural network based method for company valuation. Journal of Business, Economics and Finance. 2023;12(2):91-101. DOI: 10.17261/Pressacademia.2023.1741

26. Geertsema P., Lu H. Relative valuation with machine learning. Journal of Accounting Research. 2023;61(1):329-376. DOI: 10.1111/1475-679X.12464

27. Zhang R., Tian Z., McCarthy K.J., Wang X., Zhang K. Application of machine learning techniques to predict entrepreneurial firm valuation. Journal of Forecasting. 2023;42(2):402-417. DOI: 10.1002/for.2912

28. Valčić S.B., Crnković-Stumpf B., Katunar J. Business valuation in oil&gas industry: New challenges. In: 36 th Int. convent. on information and communication technology, electronics and microelectronics (MIPRO). (Opatija, May 20–24, 2013). New York, NY: IEEE; 2013. URL: https://www.researchgate.net/publication/261431751_Business_valuation_in_oilGas_industry_New_challenges (дата обращения: 05.10.2024).

29. Budennyy S., Kazakov A., Kovtun E., Zhukov L. New drugs and stock market: A machine learning framework for predicting pharma market reaction to clinical trial announcements. Scientific Reports. 2023;13:12817. DOI: 10.1038/s41598-023-39301-4

30. Фроловичев А.И., Денисова О.Ю., Голевко Е.В. Прогнозирование стоимости акций российских компаний в зависимости от курса доллара и цены на нефть на примере ПАО «Трансконтейнер». Актуальные проблемы управления экономикой и финансами транспортных компаний: сб. тр. Нац. науч.-практ. конф. Т. II. М.: Арт-Бизнес-Центр; 2016:297-302.

31. Сопельник Е.Ю., Федосеева Л.В. Сравнение технических и фундаментальных показателей в прогнозировании цен на акции. Управленческий учет. 2021;(2-2):284-291.

32. Галкин И.Н. Оценка и анализ стоимости корпорации при помощи методов машинного обучения. Финансовые рынки и банки. 2024;(4):188-192.

33. Коупленд Т., Колер Т., Муррин Дж. Стоимость компаний: оценка и управление. 3-е изд. Пер. с англ. М.: Олимп-Бизнес; 2005. 576 с.

34. Помулев А.А. Методологические основания применения инструментария поведенческих финансов в процессе оценки стоимости бизнеса. Финансовые рынки и банки. 2024;(8):142-147.

35. Богатырев С.Ю., Никонова И.А., Помулев А.А. Машинные технологии расчета психофинансового индекса. Финансы и кредит. 2024;30(4):788-813. DOI: 10.24891/fc.30.4.788

36. Sinsomboonthong S. Performance comparison of new adjusted min-max with decimal scaling and statistical column normalization methods for artificial neural network classification. International Journal of Mathematics and Mathematical Sciences. 2022. DOI: 10.1155/2022/3584406

37. Элбон К. Машинное обучение с использованием Python. Сборник рецептов. Пер. с англ. СПб.: БХВ; 2022. 384 с.