Содержание к диссертации
Введение
Глава 1. Состояние и перспективы развития методологии стоимостной оценки активов 21
1.1. Классическая теория стоимостной оценки в классической теории финансов: современные вызовы и методологические проблемы 21
1.2. Изменение состояния бизнес-среды, иррациональное поведение экономических агентов и их влияние на развитие теории стоимостной оценки в поведенческих финансах 47
1.3. Возможности учета поведения экономических агентов в методологии стоимостной оценки в условиях цифровизации и распространения технологий искусственного интеллекта 71
Глава 2. Основы методологии поведенческой стоимостной оценки 95
2.1. Дихотомия классических и поведенческих финансов как предпосылка развития теории поведенческой оценки 95
2.2. Нарративные финансовые исследования и методы измерения характеристик поведения экономических агентов 113
2.3. Измерение влияния характеристик поведения экономических агентов в финансовой сфере 131
2.4. Разработка психофинансового индекса и методика его расчета. Психофинансовый индекс – как интегральный показатель замера эмоций в финансовой сфере 160
Глава 3. Инструменты поведенческих финансов и поведенческой стоимостной оценки 180
3.1. Исследование эмоциональных отклонений при определении стоимости под влиянием психологической концепции «фрейминг» 180
3.2. Современное теоретическое и эмпирическое обоснование психологических концепций «теория перспектив», «когнитивный диссонанс» и «проклятие победителя» 216
3.3. Разработка нормативов эмоциональных отклонений стоимостной оценки с применением эвристик и поведенческих моделей оценки активов 257
Глава 4. Применение инструментов поведенческих финансов в оценочной деятельности 295
4.1. Применение теории перспектив на российском рынке слияний и поглощений 295
4.2. Модель поведенческой ставки дисконтирования для непубличных компаний в сделках по слияниям и поглощениям 302
4.3. Модель поведенческой ставки дисконтирования для публичных компаний и разработка ее поведенческих ориентиров 307
Глава 5. Применение инструментов поведенческих финансов при оценке активов на финансовых рынках и в финансах домохозяйств 314
5.1. Квалиметрия эмоциональных отклонений стоимостной оценки 314
5.2. Шкала эмоционально-стоимостных отклонений рыночной стоимости основных средств, малоценных и быстроизнашивающихся предметов и валютных активов 324
5.3. Моделирование эмоциональных отклонений на языке структурированных запросов баз данных финансовых рынков 333
Заключение 344
Список сокращений и условных обозначений 354
Список литературы 355
Приложения 378
- Классическая теория стоимостной оценки в классической теории финансов: современные вызовы и методологические проблемы
- Нарративные финансовые исследования и методы измерения характеристик поведения экономических агентов
- Современное теоретическое и эмпирическое обоснование психологических концепций «теория перспектив», «когнитивный диссонанс» и «проклятие победителя»
- Моделирование эмоциональных отклонений на языке структурированных запросов баз данных финансовых рынков
Классическая теория стоимостной оценки в классической теории финансов: современные вызовы и методологические проблемы
Учет поведенческих факторов в практической плоскости стоимостной оценки позволит исправить мнимое, напускное наукообразие оценочных отчетов, наполненных теорией, не позволяющей смоделировать процессы, протекающие в реальной жизни. При этом можно будет приступить к решению другой проблемы, в дополнение к мнимому наукообразию отчетов, связанной с оценочным отчетом: наполняемость реальной информацией. При подготовке оценочных отчетов по частным (закрытым) непубличным компаниям у оценщика имеется крайне скудный набор информации, как по составу, так и по качеству [64]. На практике заказчик предоставляет оценщику стандартный набор бухгалтерской отчетности для органов статистики [151]. Бизнес-планов для применения метода дисконтированных денежных потоков, построения форвардных мультипликаторов или совсем нет, или они плохого качества. Тем не менее, даже при наличии такого скудного набора в этих оценочных расчетах можно увидеть, например, грандиозные темпы прироста денежного потока [186, 172]. Что на поверку оказывается нереалистичным [37]. Традиционные поправки, которые применяются оценщиком, в этом случае теряют смысл [144]. Если в такой ситуации происходит новация – подключается новый поведенческий оценочный инструментарий, отчет приобретает совсем другую качественную ценность для его пользователей. Особенно, если поправки будут значительные.
Здесь возникает другой вопрос. При управлении всеми факторами стоимостной оценки и подключении поведенческих факторов, не могут ли тогда влиять на результаты расчета стоимости факторы, связанные со стратегией участников рынка? Ответ на этот вопрос лежит в плоскости действующей классической финансовой теории. Этот фактор уже учтен в компонентах инструментов классических финансов, в разработанных диапазонах поправки (на ликвидность и на контроль) [192].
В настоящем исследовании разработаны и предложены два направления учета поведенческой поправки при расчете ставки дисконтирования на собственный капитал. Для оценки активов, широко представленных на рынке: акций голубых фишек, поправка учитывается в бэта коэффициенте [19]. Для оценки частных компаний – специальной поправкой, дополнительным слагаемым в расширенной модели построения ставки дисконтирования для собственного капитала [35].
Необходимо особо подчеркнуть важность практического использования достигнутых в работе научных результатов для разработки документов, регулирующих частные инвестиции. В начале 2021 года количество частных инвесторов на российском фондовом рынке превысило 8 млн. человек. Это 10% от численности всего взрослого населения нашей страны. То есть, большое количество российских домохозяйств участвует в операциях на финансовых рынках. Причем, 70% российских инвесторов предпочитают реализовывать свои торговые стратегии сами. При этом, не говоря о финансовой грамотности населения, следует подчеркнуть необходимость охраны отечественных инвесторов от эмоционального давления, создания искусственных стрессовых ситуаций [74]. Для этого необходимо научиться выявлять склонность поведения отечественных инвесторов следовать тем или иным эвристикам [24]. Иметь четкие ориентиры искажения стоимостных ориентиров под их действием. И располагать необходимым регуляторным инструментарием, снижающим их потери в том или ином рыночном случае. Это и было исследовано в настоящей работе на базе непосредственных финансово-психологических экспериментах с участием финансистов.
На основе многочисленных (более 1 000) проведенных в ходе исследования опросов по разным аспектам проявления эмоций в области финансов по ключевым, на момент опроса, текущим проблемам, в условиях сильного перепада настроения участников финансового рынка были получены отвечающие действующим сейчас условиям параметры количественного измерения действия различных психологических концепций и эвристик в текущих условиях у современных, образованных финансистов.
Актуальные вызовы и методологические проблемы классической теории стоимостной оценки наиболее отчетливо проявляются в следующих современных концепциях классической теории финансов. Эти концепции являются фундаментальными для современного свода знаний о корпоративных финансах. В научной литературе они ещё называются моделями, модельными конструкциями, гипотезами, теориями. Их новое прочтение и осознание возникают в связи с актуальными проблемами современных финансовых рынков, когда сама основа для запуска в действие их глубинных механизмов – рациональные решения на основе выделенных стимулов – перестает существовать.
Были исследованы и проанализированы следующие ключевые концепции корпоративных финансов на предмет их соответствия современным вызовам и проблемам стоимстной оценки и учету в их моделях текущих параметров финансовой действительности.
Ресурсная теория организации. В ее наименовании вместо «организации» еще можно встретить «фирмы» или «компании». В этой теории происходит ориентация финансового анализа на конкретного заказчика. Этот заказчик с десятых годов двадцать первого века определяется новым термином: стейкхолдер. Так обозначается держатель долей по интересам [140].
Была проанализирована теория, известная как модель транзакционных издержек [134]. В этой связи анализировались теоремы Ирвинга Фишера. Другое название их воплощения — это особая теория. В ней выдвигается гипотеза о рациональном поведении экономических агентов.
Рассмотрена «самая широко развитая в стоимостной оценке концепция инвестиционного (фундаментального) анализа и справедливой стоимости активов, временной стоимости денег, информационной эффективности рынков» [72].
Другие рассмотренные теории: «Теория информационной эффективности фондовых рынков; Теория риска и доходности, портфельного подхода к принятию решений; Концепция двух моделей анализа компании: учетной (бухгалтерской) и стоимостной (инвестиционной, финансовой); Модельная конструкция наращения стоимости и аддитивности NPV; Концепция иррелевантности стоимости бизнеса (компании) к финансовым решениям на совершенном рынке капитала; Теория агентских конфликтов и агентских затрат, или неполных контрактов» [72]; Концепция сигнализирования [83, 157, 156].
Преломление классической теории стоимостной оценки в свете «ресурсной теории организации (фирмы, компании), в соответствии с которой ориентация финансового анализа происходит на конкретного заказчика (по интересам стейкхолдеров) таково: так как ресурсная теория организации фирмы исходит из того, что любая фирма рассматривается как система отношений между ее стейкхолдерами, а они предоставляют компании разные ресурсы: денежные, материальные, интеллектуальные, трудовые» [72], то стимулы, побудительные сигналы и как следствие измерители выгодности инвестиций получают разную окраску. В том числе, эмоциональную. Универсальная ставка дисконтирования, рассчитанная по классическим правилам, их учитывает не в полной мере.
В тоже время, целевые установки фирмы могут быть представлены как специфические формы возмещения прямых и альтернативных (opportunity) затрат (costs) каждой группы стейкхолдеров. Опять-таки, с определённой эмоциональной окраской и специфическим психологическим отношением к ним. «В индустриальной экономике ключевая роль принадлежит финансовым стейкхолдерам – инвесторам компании. В связи с этим для принятия решений» [72] в компании очень важно понимать мотивы и стимулы инвесторов, их логику принятия решений, и отразить это в соответствующих инструментах.
В последнее время в финансах произошли важные события: финансово-пандемический кризис 2020 года, финансовый кризис 2014 года в России, мировой финансовый кризис 2008 года, кризис 1998 года. В финансовой аналитике за этот период было обнаружено, что существует большой разрыв между моделью стоимости, полученной по правилам классической, традиционной стоимостной оценки, и экономическими реалиями [140].
Нарративные финансовые исследования и методы измерения характеристик поведения экономических агентов
В настоящем параграфе описываются основы методологии и практические инструменты проведения нарративных финансовых исследований и описываются способы измерения эмоций программно-техническими средствами, в том числе с применением информационно-аналитических систем. Приводится теоретическое обоснование применения новых программно-технических средств информационно-аналитических систем.
Место этого материала в диссертации определяется его значением для развертывания в последующем тексте диссертации результатов проведёных исследований. Иррациональное поведение инвесторов, трейдеров, домохозяйств, всех лиц, принимающих финансовые решения, начинается, прежде всего, под эмоциональным воздействием, которое они получают или от потрясений на рынках, или от огромного объема информации, который они не могут обработать. Поэтому в самом начале и практической научной разработки инструментов поведенческих финансов, и их применения важно обозначить показатели, измеряющие эмоции. Определить, что будет индикатором их силы. Эта – одна из самых сложных и неизведанных задач. Так как интерес и большой исследовательский задел в поведенческих финансах сосредоточен на модных коммерческих консультационных направлениях в финансах, работоспособные и апробированные технологии уже применяются в современных коммерческих аналитических средствах.
В разработанной методологии исследования поведенческих факторов используются современные программно-технические средства. В работе были использованы три продукта, относящиеся к коммерческим предложениям модной и широко используемой в соответствующих кругах информационной системы Блумберг.
Первый продукт напрямую относится к разработанным в рамках исследования инструментам: измерение эмоций, которые испытывают участники финансового рынка, инвесторы относительно исследуемой компании.
Этимологический экскурс в глубину понятий, формирующих название используемых при построении инструментария исследования коэффициентов и показателей. Sentiment означает чувство. Это английское слово, лежащее в основе целой гаммы индексов, измеряющих эмоции в современных информационных системах: и Блумберг, и Томсон Рейтер компании Рефинитив.
Контекстное определение сентимента – чувства – настроения таково. Сентимент – сложная комбинация ощущений и мнений, которые служат основой для выработки суждений, основная эмоциональная направленность. Таким образом, определение эмоций, лежащие в основе практически всех определений индексов, измеряющих настроения, сделанное профессиональными создателями программных продуктов в сфере финансов очень четко фиксирует многие оттенки, изложенные в поведенческих финансах относительно этого предмета.
Первый, открывающий гамму коэффициентов, используемых при измерении эмоций в Блумберге: тренды новостей (news trend). Эта функция (тренд) позволяет пользователю увидеть, какие компании своими новостями привлекают максимальное количество читателей, имеют самую сильную эмоциональную окраску или же имеют наибольшее количество просмотров в Твитере (Приложение А рисунок А.1. На рисунках А.2, А.3 размещены результаты выполнения других команд информационных систем по замеру эмоций).
В течение двух последних лет развития этих инструментов, именно, Твитер является основной площадкой для применения технологий машинного обучения информационных систем, как Блумберга, так и Томсон Рейтер. Наверное, это можно объяснить ужесточением регулирования социальных сетей, в частности американского Фейсбука. Это сделало проблематичным проведение контекстных исследований с анализом содержимого и легальное коммерческое распространение результатов этих анализов широкой публике. Современный аппарат исследователя поведенческих аспектов на финансовых рынках обогащен коммерческими аналитическими инструментами.
Следующий аналитический инструмент информационных систем, измеряющий эмоции, представляющий результаты своей работы в графическом виде – news activity chart (название команды системы Блумберг, которой она запускается) – карта новостной активности. Здесь ценовые внутридневные движения сопровождаются эмоциональной оценкой и внутридневными объемами торговли. Этот инструмент хорош, как графическая иллюстрация и интерпретация рыночных эмоций.
Ключевой индекс, измеряющий эмоции – коэффициент TREN – тренд. Почему он особо выделяется методологами Блумберга? И откуда это видно? В информационной системе Блумберг последние два года активно тестируется, обновляется и обогащается аналитический модуль BQL – Bloomberg Query language: структурированный язык запросов Блумберга. В системе Томсон Рейтер есть аналогичный язык. Эти два конкурента одновременно развивают аналогичные инструменты. Язык позволяет делать пользовательские выгрузки и обработки данных. В этой новой оболочке можно создавать и свои коэффициенты, и параметры. И, конечно, можно использовать имеющиеся. Но в этот новый модуль попали не все коэффициенты и параметры, имеющиеся в системе. Вся палитра аналитических инструментов представлена в более старом функционале – Блумберг формула билдер (formula builder), который позволяет выкачивать большие объемы практически всех показателей системы в исторической ретроспективе по всем представленным финансовым инструментам, если они покрываются аналитикой. Именно показатель среднедневных эмоций представлен в BQL.
Для стабильного и продуктивного использования любых инструментов важно понимание правил их построения. Здесь научный исследователь, желающий легко приобщить имеющийся коммерческий аппарат к научным исследованиям, сталкивается с определенной проблемой. Эта проблема ученого-исследователя, похожа на проблему практикующего стоимостного оценщика, который в своем отчете об оценке использует сторонние коммерческие продукты, разработанные коммерческими предприятиями – аналитическими агентствами.
«Одно из популярных аналитических агентств в Америке, которое специализируется на расчете стоимости капитала, предоставляет данные по бэта. Это – MSCI Barra. … Апеллирование при оценке оспариваемой стоимости к Барра бэте, так называется на слэнге американских оценщиков эта бэта, не помогло в американском суде. В заключение было отмечено, что:
- данные, по которым рассчитана бэта – из частной базы данных;
- методика расчета относится к ноу-хау продавца аналитической информации.
На доводы судьи не повлияла справка оценщика о том, что данные, по которым была рассчитана бэта, были предоставлены в полном объеме, и что агентство передало ему все формулы расчета с учетом и описанием всех факторов в использование.
Американские суды заняли такую позицию, потому что алгоритм расчета бэты аналитического агентства имеет коммерческую составляющую в информационной деятельности и не может быть перерасчитан, поэтому, решили они, он и не может являться доводом в суде» [53].
Аналогичная ситуация возникает при использовании многочисленных коммерческих коэффициентов, предоставляемых коммерческими аналитическими агентствами и службами. Погружение в алгоритм расчета индекса настроений показало следующие результаты.
Первая возможность познакомиться с алгоритмом расчета любых коэффициентов – открытая методика расчета, изложенная в сопроводительных материалах. Надо сразу признать, что она чрезвычайно скудна. Вторая возможность выяснить, как же все-таки конкретно и во всех деталях проводится расчет – это обратиться в службу поддержки.
Такое обращение привело к следующим красноречивым объяснениям. Консультант по этой теме заявил, что расчет показателей настроений, основанных на Твитере, осуществляется на основе алгоритмов, находящихся в сфере компетенции программистов. Наиболее детализированное объяснение, которое консультанты по запросу автора исследования могли от них получить, состояло в следующем. Команда Блумберга «TWITTER_SENTIMENT» – настроения твитера. На основе специальных пометок (tags) твиты разделяются на три вида: позитивные, негативные и нейтральные. Распределение производится на основе доверительного измерения (confidence score). Цитата ответа консультанта: «мы делаем это на основе собственных алгоритмов (proprietary algorithms)». Здесь специально указаны английские слова ответа. Как видно, «собственные» здесь употребляются в значении не только свои разработки, но и в смысле имеющие свою собственность. То есть, алгоритмы не только зашифрованы своими внутренними кодами, закрытыми в деталях для внешних пользователей, но и имеют копирайт, как принадлежность всей системы, этим копирайтом защищённые. Затем для компании рассчитывается ее эмоциональный уровень по рассчитанным для нее счетчикам. Для данного коэффициента данные берутся за последние 30 минут.
Современное теоретическое и эмпирическое обоснование психологических концепций «теория перспектив», «когнитивный диссонанс» и «проклятие победителя»
Теория перспектив – следующая психологическая концепция, изученная в рамках данного исследования. Это – базовая, фундаментальная психологическая концепция. Она во многом синонимична самой науке «поведенческие финансы»5.
Создатели теории перспектив «… два уже известных открытием эвристик, используемых при принятии решений, ученых подметили множество противоречий максимизации выгоды при выборе. Выборе в условиях лабораторного риска ... И предложили свою модель измерения риска, которая воплотила задокументированные ими примеры искажения полезности в условиях риска.
… вот уже 30 лет эта теория лучше всего описывает то, как люди определяют полезность в лабораторных условиях риска. И вот, это может показаться смешным, но с 1979 г. не существует широко известных и общепринятых применений теории перспектив в экономике. Конечно, примеры такого применения есть, и они будут рассмотрены автором в настоящем исследовании. Но широкого применения и всестороннего принятия они … не имеют.
Поэтому некоторые утверждают, что теория перспектив, созданная в лабораторных и для лабораторных условий, не годится для применения в реальных условиях» [11].
«Исходная версия теории перспектив была представлена Канеманом и Тверски в 1979 г. Первая предложенная версия имела определенные ограничения при применении. Она имела, по крайней мере, два ненулевых исхода, при которых участники игры больше рисковали.
Модель теории перспектив, предложенная в 1992 г., уже стала сложнее. Модифицированная версия называлась уже кумулятивной теорией перспектив.
Ряд выигрышей и потерь выстраивался теперь в длинную цепочку, где каждому значению выигрыша или потерь соответствовала своя вероятность, как показано в формуле (3.1).
(X–m, P–m; X–m+1, P–m+1; …; X0, P0; …; Xn–1, Pn–1; Xn, Pn) (3.1)
Главный элемент теперь состоял в том, что функция полезности, применяемая участником поведенческого эксперимента или экономическим актором, меняла свой характер» [11].
Если для экономического человека Адама Смита – рационала функция имеет вид (3.2)
(3.2)
где W — текущее начальное благосостояние актора,
функция при этом имеет вогнутый график, то для нерационального обыкновенно играющего на рынке человека, изучаемого в поведенческих финансах, формула, описывающая его поведение, превращалась в такую формулу (3.3):
(3.3)
«Как можно заметить, теперь значимым для актора является не изменение начальной точки отсчета — первичного благосостояния и добавок или потерь от него, а само по себе изменение, без привязки к абсолютной базе.
По мнению зарубежных исследователей, такая формулировка теории перспектив отражает четыре основных фактора, лежащих в ее основе:
1) относительная зависимость лица принимающего решения;
2) стремление избегать риска;
3) уменьшающаяся чувствительность;
4) вероятностное взвешивание» [11].
«Вогнутый характер кривой выигрыша и выпуклый характер кривой потерь отражают как разную восприимчивость к потерям и выигрышам, так и снижающуюся чувствительность.
Вероятностное взвешивание отвечает за такой тип поведения лица, принимающего финансовые решения, когда он использует не прямой объективно заданный вероятностный ряд происхождения событий, а сглаживает их в сторону субъективно ощущаемых им вероятностей» [11].
Схематично это изображено на рисунке 3.4.
«Точками на графике обозначена фактическая реальная вероятность событий. Но при принятии решений финансовый актор строит свою вероятностную функцию, «сглаживая» острые углы, приближая кривую к своим реперным точкам, обозначающим его восприятие вероятностей событий.
Это очень сильный поведенческий фактор. Здесь действует одна из психологических концепций, лежащих в основе поведенческих финансов: когнитивный диссонанс. Также здесь подключается и первая из открытых Канеманом и Тверских эвристика репрезентативности.
Как видно из графика, актор придает избыточный вес «хвостам» распределения вероятностей. В крайностях мы впадаем в панику» [11].
«Основная трудность практического применения инструментария теории перспектив, по мнению зарубежных авторов, состоит в конкретном измерении выигрышей и потерь и соответственно подбора сравнительной базы. Относительно портфеля акций, который имеет актор, рассуждения могут быть такими. Идет ли речь о выигрыше всего портфеля, или речь идет только о части специфичных акций? Выигрыш измеряется только лишь положительным значением, или речь идет о прибавке к безрисковой ставке, к заданному показателю доходности, принятой актором в начале инвестирования? О каком дискретном измерителе думает инвестор? Измеряет ли он доходность в процентах годовых или в месяц?
Канеман и Тверски, будучи психологами, не оставили нам ответов на эти вопросы. Те из исследователей, которые не побоялись неопределенности, брали фактически складывающиеся ситуации и накладывали на них аппаратную сетку теории перспектив» [11].
Исследователи Кожеги и Рабин (Koszegi, Rabin) так решили проблему относительной базы измерений выигрышей и потерь [148]. «За основу они взяли ожидания, которые испытывал актор относительного будущего исхода. В случае превышения в реальности выигрыша от ожидаемого возникала полезность для актора. Эти исследователи не утверждали, что мы должны заменить традиционные экономические модели, основанные на приросте реального потребления, моделями, основанными на ощущениях такого прироста относительно ожидания. Они говорили лишь о комбинации таких моделей» [11].
«Но в этом стремлении открывается одна из причин развития популярности поведенческих финансов на Западе. По мере все большего развития «бумажной» статистики потребления, все большей ее оторванности от реального потребления и производства (что является следствием «раздувания» цифр ВВП доходами от нематериальных активов и «накачивания» стоимости корпораций составляющей НМА и гудвилла) экономические субъекты ищут новые измерители. Они чувствуют себя обманутыми и доверяют больше своим ощущениям, чем бумажной статистике» [11].
Моделирование эмоциональных отклонений на языке структурированных запросов баз данных финансовых рынков
Проведение описываемых ниже исследований по применению инструментов поведенческих финансов на различных сегментах финансовых рынков стало возможным благодаря наличию в информационно-аналитической системе Блумберг языка структурированных запросов Bloomberg Query Language11. С помощью этого запроса прямо в среде системы можно задействовать многочисленные аналитические показатели, которые есть в системе.
Исследование применения эвристики недостаточной реакции и эвристики излишней самоуверенности на примерах просадки рынков. Термин просадка рынков или максимальная просадка (A maximum drawdown (MDD)) - это максимальный наблюдаемый убыток от пика до минимума портфеля до достижения нового пика. Максимальная просадка - индикатор риска падения за определенный период времени.
Используя язык структурированных запросов Блумберга, создается модель, фиксирующая максимальные падения рынков. По результатам запуска этой модели на оболочке данных Блумберга получаются результаты, представленные в таблице Ж.1 приложения Ж. Используя максимальную просадку, можно проанализировать величину наихудших потерь, которые инвестор мог бы понести, инвестируя в эту ценную бумагу.
Получив эти данные, в исследовании были запрошены из системы индексы, оценивающие эмоции. Данные запрашивались также с использованием языка структурированных запросов Блумберг. Индексы эмоций (news_sentiment) рассчитываются алгоритмом по новостям, даже в глубокой ретроспективе. Рассчитывался средний индекс, группируя компании по отраслям. Из всей гаммы показателей, посвященных настроениям, в структурированном языке запросов может быть обработан только этот. Остальные пока не включены в этот язык программирования баз данных.
Программный код (компьютерная программа) для получения данных в языке структурных запросов выглядит следующим образом: «=BQL("MEMBERS( SPX INDEX )","AVG(group(NEWS_SENTIMENT_DAILY_AVG(dates=2020-03-23),gics_sector_name))")».
Результат выполнения программного кода представлен в таблице Ж.2 приложения Ж. Как видно из данных, показатели настроений в новостях по всем отраслям, кроме сырьевой отрасли (materials) не ниже нуля. И практически равны показателям благополучного 2017 года. И более того, они ненамного хуже показателей конца 2019 года, когда на рынках царило инвестиционное ралли.
По разным компаниям разная ситуация с показателями эмоций, не по всем они есть. По имевшимся были рассчитаны средние значения, как ранее рассчитывалось в BQL. После знакомства с анализом инструментов измерения эмоций в настоящем исследовании может появиться предположение, что это происходит из-за несовершенства измерительного аппарата. Такое обоснование было бы уместно, если бы проводилось сравнение с другими измерителями. Но в данном случае показатели сравниваются те же самые, рассчитанные по одной методике, взятые из системы в один и тот же день. То есть, на дату выгрузки алгоритм не меняется.
Затем такой же анализ был проведен по компаниям. Были выбраны компании с наибольшей просадкой. Для них в день просадки и в два последующих были рассчитаны показатели оценки эмоций. Результаты сведены в таблицу Ж.3 приложения Ж.
Результаты моделирования позволяют сделать вывод о том, что в настоящем исследовании получено подтверждение очень важных для обоснования теории поведенческих финансов выводов. В частности, полученные данные очень наглядно демонстрируют действие эвристик недостаточной реакции, избыточной самоуверенности и крах гипотезы об эффективности рынков. Только для одной компании - ALGN UW Equity - предсказуемо действует эвристика избыточной реакции. Остальные компании с наибольшей просадкой эмоционально индифферентны к драматическим рыночным событиям.
Следующая модель показывает, что инструменты поведенческих финансов могут применяться, как фактор стабилизации финансовый решений.
В многочисленной литературе с поведенческими финансами ассоциируются экстраординарные ситуации на рынках, связанных с крахом, пузырями. Поэтому, сложилось представление, что зашкаливающие на рынках эмоции всегда превалируют и находят соответствующее отражение в измерительных финансовых поведенческих инструментах. Применение измерителей финансов информационно-аналитической системы Блумберг показывает, что это не так. Наоборот, использование поведенческих инструментов в противовес показателям традиционных, классических финансов стабилизирует положение, позволяет аналитику, лицу, принимающему финансовые решения, успокоится и, наоборот, не впадать в излишние эмоции. Хотя это может казаться парадоксальным.
Для иллюстрации приводится кейс, актуальный для ковидной весны 2020 года, для самой пострадавшей в кризис отрасли – авиационной – авиаперевозчиков, авиакомпаний.
Применялась следующая модель для анализа. В модели рассматривался самый актуальный для текущего момента в то время вопрос – вопрос ликвидности. В модели рассчитывались показатели, связанные с долговой нагрузкой авиакомпаний. В качестве основного показателя использовался показатель отношения денежных средств к выручке. По этому показателю проводится ранжирование. Расчет проводится как по отрасли, так и для отдельных компаний.
Первая часть модели проводит расчет доли денежных средств в авиаотрасли по разным регионам мира. Ее результаты приведены в таблице Ж.4. В разрезе одной страны по компаниям авиаотрасли результаты были получены такими, как это представлено в таблице Ж.5 приложения Ж.
Последний столбец показывает прирост вероятности дефолта за выбранный период. В данном случае видно грандиозное увеличение риска дефолта. Если теперь выкачать данные по индексу настроений по новостям (news_sentiment_avg), и зафиксировать их изменения, то получится по этим же компаниям таблица Ж.6.
Как видно, здесь уже нет таких грандиозных изменений к худшему, как в предыдущей таблице. То есть, ориентация на показатели поведенческих финансов балансирует ситуацию с аналитикой. Таким образом, свод показателей поведенческих финансов при внешне благоприятном фоне показателей, разработанным на основе классических финансов, сигнализирует о приближении неблагоприятных факторов. С другой стороны, при ужасающих значениях показателей, разработанных на основе классических финансов, позволяет выработать сбалансированную позицию, не дает впадать в крайность при принятии финансовых решений.
Современная стоимостная оценка изменилась в условиях финансово пандемического кризиса 2020 года. Одной из характерных черт обогащения оценочных технологий стало использование разветвлённого аналитического инструментария из области финансово-коэффициентного анализа, прогнозирования банкротств с применением соответствующих моделей. Этот современный сбалансированный разнонаправленный оценочный инструментарий может быть обогащен палитрой инструментов поведенческих финансов.