Продолжим разбирать анализ компаний на знакомых примерах.
В прошлый раз Петя Алкаш помогал объяснить, почему от анализа не стоит требовать точной даты и цены. Теперь посмотрим на другую проблему:
почему даже хорошая модель может привести к неправильному выводу.

Возьмём совсем упрощённый пример. Допустим, мы считаем, что $SBER заработает 2 трлн рублей и направит 50% прибыли на дивиденды. Получаем 1 трлн рублей выплат, или примерно 44 рубля на акцию. Если минимальная дивидендная доходность, которая нас устраивает, — 13%, получаем условную «справедливую» цену около 340 рублей.
Конечно, настоящую модель можно сделать гораздо сложнее: добавить стоимость капитала, темпы роста, ставку ЦБ, качество кредитного портфеля и ещё десяток переменных. Но принцип не меняется:
на выходе модель знает только то, что мы заложили на входе. И неважно, какой бизнес мы анализируем — $SBER, $PLZL, $MOEX или любую другую компанию.
Представьте, что экономисту нужно определить, алкоголик ли Петя. Логичный подход: взять выписку по банковской карте, посчитать покупки алкоголя за квартал или год и сравнить с неким заранее заданным порогом потребления.
В среднем такой метод даже может работать. Но с конкретным Петей легко промахнуться в обе стороны.
Он может покупать алкоголь за наличные, пить за чужой счёт или гнать самогон дома. Тогда анализ карточных расходов покажет разве что регулярные покупки дрожжей, сахара и каких-нибудь ягод — и модель скорее запишет Петю в увлечённые кулинары.
А может быть наоборот: именно Петя закупает алкоголь на все офисные праздники, коллеги потом скидываются, а сам он вообще не пьёт. Но по банковской выписке перед нами будет выглядеть законченный алкаш. Такой себе анализ.
Вот это и есть ограничение модели.
Модель не обязательно ошибается в расчётах. Она может идеально посчитать то, что ей дали, — и всё равно привести к неправильному выводу. Просто потому, что реальность всегда шире таблицы Excel.
Поэтому хороший анализ — это не «модель показала справедливую цену 340 рублей». Хороший анализ — это несколько сценариев и обязательный ответ на вопрос:
что будет, если я ошибаюсь?
Смотреть нужно не только на цифры внутри модели, но и вокруг неё: качество бизнеса, долговую нагрузку, конкурентов, регулирование, репутацию менеджмента, отраслевой цикл. А главное — регулярно сверять исходные предпосылки с реальностью и пересматривать выводы, если она развивается не так, как мы ожидали.
В общем, модель должна помогать думать, а не думать вместо нас. Тогда всё будет ок.
Ричард Хэппи в
Telegram |
MAX
---
Частный инвестор, автор канала «
Ричард Хэппи», бесплатных курсов по
облигациям и
дивидендным акциям, а также стратегий автоследования «
Рынок РФ» и «
ОФЗ/Корпораты/Деньги».
Данная публикация является личным мнением автора. Мнение владельца сайта может не совпадать с мнением автора.
Сценарии это правильно, но у меня главный фильтр другой. Не «правдоподобно ли число», а «может ли оно быть в принципе».
Пример не с рынка, а из моей области: проверка базы выдала 150 поражённых объектов вместо одного. Цифра выглядела абсолютно нормально и чуть не уехала в статью. Ошибки в расчётах не было ни одной, просто на вход попало не то.
Правдоподобие тут худший советчик, оно как раз такое и пропускает.