Разработка метода построения форвардных мультипликаторов компаний с использованием машинного обучения

В условиях высокой волатильности сырьевых рынков и возрастания роли поведенческих факторов бизнеса традиционные методы сравнительного подхода к его оценке теряют точность и прогностическую устойчивость. Особенно остро данная проблема проявляется при использовании стоимостных мультипликаторов, которые не оправдывают ожиданий инвесторов и не отражают будущую динамику финансовых показателей компаний.

Целью исследования стала разработка метода построения форвардных мультипликаторов на основе интеграции машинного обучения и имитационного моделирования Монте-Карло, позволяющего раздельно прогнозировать компоненты мультипликатора – рыночную цену акций и чистую прибыль – с учетом фундаментальных, отраслевых и поведенческих факторов стоимости. Особое внимание в ходе работы было уделено такому вопросу, как отсутствие прогнозных значений экзогенных переменных, для решения которого используется сценарное моделирование. Апробация метода проведена на данных публичной компании нефтегазового сектора, что позволило выявить структурные различия факторов, определяющих цену и прибыль. Полученные результаты подтверждают высокую прогностическую способность моделей и подтверждают целесообразность перехода от исторических к форвардным мультипликаторам в практике стоимостной оценки. Разработанный подход значительно расширяет существующий инструментарий и может быть использован для инвестиционного анализа и оценки стоимости бизнеса в условиях неопределенности.

1. Damodaran A. Corporate finance: Theory and practice. 2nd ed. New York: Wiley India; 2001. 982 p.

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

3. Анкудинов А.Б., Батаева Б.С. Структура собственности и рыночная стоимость: эмпирический анализ российских публичных компаний. Управленец. 2021;12(2):35-45. DOI: 10.29141/2218-5003-2021-12-2-3

4. Schreiner A., Spremann K. Multiples and their valuation accuracy in European equity markets. SSRN Electronic Journal; 2007. URL: https://disk.yandex.ru/i/4xeQz3WkzEwH2A

5. Turcas F., Dumiter F., Brezeanu P., Jimon S. Theoretical and practical issues in business valuation. Studia Univ. Vasile Goldiș Arad — Econ. Ser. 2016;26(4):1-23. DOI: 10.1515/sues-2016-0016

6. Гринвальд Б., Кан Дж., Сонкин П.Д., ван Биема М. Стоимостное инвестирование: от Грэма до Баффета и далее. Пер. с англ. М.: Бомбора; 2023. 512 с.

7. Чиркова Е.В. Как оценить бизнес по аналогии: методологическое пособие. М.: Альпина Бизнес Букс; 2005. 190 с.

8. Шамраева В.В. Математические методы прогнозирования изменения цены акций и их реализация методами машинного обучения. Фундаментальные исследования. 2024;(11):88-96. DOI: 10.17513/fr.43718. EDN: KHYTRE.

9. Thanh N.H., Do-Thi N., Nguyen-Trang T. Predicting stock returns using machine learning combined with data envelopment analysis and automatic feature engineering: A case study on the Vietnamese stock market. PLoS One. 2025;20(9): e0332154. DOI: 10.1371/journal.pone.0332154

10. Карасев Д.М. Применение методов машинного обучения для прогнозирования финансовых показателей страховой компании. Международный журнал информационнных технологий и энергоэффективности. 2024;9(7):178-186.

11. Доу Л., Афанасьев Г.И., Кузнецова С.А. Прогнозирование финансовой эффективности и инвестиционной привлекательности сберегательно-кредитной холдинговой компании «Charles Schwab Corporation» с применением корреляционно-регрессионного анализа в контексте машинного обучения регрессионных моделей. Финансовая экономика. 2025;(1):134-141.

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

13. Chernozhukov V., Chetverikov D., Demirer M., Duflo E., Hansen C., Newey W., Robins J. Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal. 2017;20(1):1-68. DOI: 10.1111/ectj.12097

14. 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

15. 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

16. Binder K., Heermann DW. The Monte Carlo method, an introduction. In: Computational Many-Particle Physics. Lecture Notes in Physics. 2008;739:63-78. DOI: 10.1007/978-3-540-74686-7_3