A részvénybefektetés egy – jó esetben – racionális döntési folyamat eredménye. Ez két lábon áll. Az egyik láb egy adat- és tényvezérelt kvantitatív és kvalitatív elemzési folyamat, a másik láb a pszichológia (heurisztikák, érzelmi és kognitív torzítások, stb.) tudatos figyelembevétele. Mi itt most az első lábra, azon belül is a kvantitatív elemzésre koncentrálunk. Számos megközelítés, filozófia, iskola létezik (ha érdekel, ezzel kapcsolatban most jelenik meg Aswath Damodaran Investment Philosophies című művének 3. kiadása). A véleményem az, hogy minél többet meg kell ismerni ezek közül, és mindenkinek a képességei, lehetőségei és céljai függvényében kell “összegyúrnia” a saját megközelítését. A későbbi példákban ezek közül én a minőség–növekedés–értékeltség (QGV: Quality, Growth, Value) hármasára épülő részvénykiválasztásból és fundamentális elemzésből fogok meríteni. Mivel egy data science gyakorlatról van szó, ezért egyaránt megengedhető, sőt szükséges is az egyszerűsítés, így most félretesszük az akadémiai magasságokat, és elengedjük a növekedési (pl. EVA Momentum, bevétel növekedés, NOPAT növekedés, stb.) és értékeltségi (pl. Future Growth Reliance (FGR), NOPAT Yield, stb.) dimenziókat, és a példa kedvéért csak a minőségre (pl. Return on Capital (ROC), EVA Margin, EBIT/Total Interest, stb.) koncentrálunk. Ez utóbbiakból is csak a befektetett tőkén elért megtérülést, illetve annak egy származtatott mennyiségét, az úgynevezett többlethozamot, vagy a kockázatmentes hozam feletti hozamot (excess return: ROC – WACC) fogjuk használni. Tudom, hogy ez itt most elég ijesztőnek látszik, de nyugalom, senkinek nem kell könyvelővé válnia. Ahogy a data science-hez sem feltétlenül kell egyetemi diplomát és 15 év Python‑kódolási gyakorlatot felmutatni, itt sem csak a CFA‑minősítéssel rendelkezők rúghatnak labdába.
Nézzük át röviden, miről van szó.
Ha racionális viselkedést feltételezünk, azért fektetsz bármibe, mert az a várakozásod, hogy a befektetéseden pozitív hozamod lesz. Ez idáig triviális. Az már kevésbé egyértelmű, hogy a hozamod miből áll össze. Részvények esetén ez:
Az első három az, ami közvetlenül kapcsolható a vállalathoz, míg az értékeltség változása csak részben, hiszen azt sokszor piaci szintű (külső) és/vagy irracionális rövid távú (pszicho) anomáliák okozhatják.
Ha ezen egy kicsit elgondolkodsz, akkor egyrészt megérted, hogy hosszú távon miért a részvénybefektetés az egyik legnagyobb hozammal kecsegtető választás: egyszerűen olyan hozamösszetevőkkel rendelkezik, amelyekkel a többi (bankbetét, ingatlan, festmény, arany, stb.) nem. A másik felismerés a különbség a jó üzlet (minőségi vállalat) és a jó befektetés között. Eleve akkor van esélyed, ha sikerül minőségi vállalatot azonosítanod (lásd lejjebb), ám ha ebbe nem megfelelő értékeltség mellett (azaz túl drágán) veszel bele, akkor magának a befektetésnek a minősége kérdéses. Tehát a jó üzlet, a minőségi vállalat önmagában még nem feltétlenül jelent jó befektetést is. De, ahogy fentebb jeleztem, a növekedési és értékeltségi dimenziókat most kihagyjuk, és csak a minőségre koncentrálunk.
Ekkor az egyik elsődleges szempont a vállalat befektetett tőkéjén elért hozam. Mi köze a vállalatok befektetett tőkéjén elért hozamának a te befektetett tőkéden (részvény) elért hozamhoz, miért ezt (is) nézzük? Charlie Munger, Warren Buffett üzlettársa hívta fel arra a figyelmet, hogy „Hosszú távon nehéz egy részvénynek lényegesen jobb hozamot elérnie, mint amekkora hozamot az alapjául szolgáló vállalat megtermel. Ha egy vállalat negyven éven keresztül évi hat százalékos tőkearányos megtérülést ér el, és te negyven évig tartod a részvényt, akkor nem fogsz ettől sokkal eltérő hozamot realizálni, még akkor sem, ha eredetileg jelentős diszkonttal vetted meg. Ezzel szemben ha egy vállalat húsz-harminc éven keresztül tizennyolc százalékos tőkearányos megtérülést ér el, még ha látszólag drágán is vásárolsz, végül kiemelkedő eredményt fogsz elérni.” (Forrás: Charlie Munger, idézet több helyen összegyűjtve, pl. Poor Charlie’s Almanack; idézetgyűjtemény: Novel Investor – Charlie Munger Quotes; GuruFocus cikke „Charlie Munger Quote Every Investor Should Know”). Ez tehát a részvénykiválasztás egyik elsődleges (de távolról sem kizárólagos) lépése.
Onnantól kezdve tovább melegszik a helyzet, hogy egyáltalán milyen megtérülési mutatókat vegyél figyelembe. Mert itt aztán kinyílik a világ – csak néhány példa: ROC, ROE, ROA, ROCE, ROIC, CROIC, CROIIC, stb. De nem kell túlbonyolítani csak azért, hogy képzettnek tűnjön az ember, a ROC (Return on Capital) tökéletesen megfelel első körben. Nem beszélve arról, hogy ehhez a konkrét data science gyakorlathoz csak erre van adatunk. Ennél sokkal érdekesebb, hogy sokan elfelejtik, hogy nem elégséges pusztán pozitív hozamot generálni, hanem a tőke költségét meghaladó hozamra van szükség.
Az, hogy a tőkének költsége van, olyan szinten nem egyértelmű, hogy alapesetben maga a számvitel sem veszi figyelembe. Az ugyanis történeti okokból a hitelezők érdekeit tartja szem előtt. Te viszont részvényesként tulajdonos vagy, akinek a tőkéjét a számvitel ingyenesnek tekinti. Ezért van az, hogy a klasszikus számvitel szerinti elemzés is torz képet adhat a tulajdonosi értékteremtésről. Simán megtörténhet, hogy egy vállalat a jelentései alapján profitábilis, miközben tulajdonosi értéket rombol, és még extrémebb, hogy van példa a klasszikus számvitel szerinti veszteséges működésre tulajdonosi értékteremtés mellett. És akkor itt még nem is beszéltünk az adott esetben szándékos, ám még törvényes keretek között végrehajtott menedzsment manipulációkról (ezekről itt olvashatsz többet).
Annak, hogy a tőke költségét hogyan határozod meg, külön irodalma van. Elveszhetsz nagyon bonyolult vállalati megtérülési számításokban, vagy követhetsz valamilyen kockázatszámítási metódust. Ha nagyon egyszerűsíteni szeretnél – és Tudatos Kisbefektetőként ez indokolt is lehet –, akkor kiindulhatsz az alternatív költség fogalmából is. Azaz felteszed azt a kérdést, hogy a befektetendő tőkét máshová fektetve (ha korrektül szeretnél eljárni, akkor hasonló kockázati szintű “máshová”-t veszel alapul), mekkora hozamod lenne. A gyakorlatban erre sokszor valamilyen kockázatmentesnek tekintett (pl. USA állampapír), vagy alacsonyabb kockázatú (pl. valamilyen index) alternatívát választanak.
Sokan pl. az S&P 500 index hosszú távú historikus teljesítményét nézik, és évesített bruttó 8–10%-kal számolnak USD alapon. Tehát ha “favágó” módszerrel indulsz neki a kiválasztásnak, akkor olyan vállalatokra rá se nézel, amelyek befektetett tőkéjén elért hozama tendenciózusan alacsonyabb egy ilyen küszöbértéknél.
Ha professzionálisabb szeretnél eljárni, akkor valamilyen komolyabb számítást is elvégzel, ami sok Tudatos Kisbefektető számára nem feltétlenül opció. Ilyenkor szerencse, hogy vannak olyan szakemberek, mint Aswath Damodaran professzor, akik viszont tálcán kínálják számunkra a megoldást, mint például a WACC (lásd lejjebb), amit évente frissít is. Igaz, hogy “csak” iparági és regionális szinten, de ez bőven elégendő a Tudatos KisBefektetők számára. Ha azonban te ezzel nem alszol jól, akár magánál Damodaran professzornál is kitanulhatod a módját, hogyan kell vállalati szinten ilyeneket számolgatni.
Magáról a WACC-ról röviden: a WACC (Weighted Average Cost of Capital) a vállalat átlagos tőkeköltsége, amely figyelembe veszi a saját tőke és az idegen tőke (adósság) arányát és azok elvárt hozamát. Megmutatja, hogy a cégnek minimum mekkora hozamot kell termelnie ahhoz, hogy kielégítse a befektetők és hitelezők elvárásait. Ha a vállalat ROC-ja meghaladja a WACC-et, akkor értéket teremt; ha alatta marad, akkor értéket rombol. Erről kicsit bővebben itt olvashatsz Aswath Damodaran “tollából”.
Ha eddig a pontig eljutottál, akkor az van, hogy már sejthető, hogy a vállalat tulajdonosi értékromboló, vagy éppen -teremtő. Nyilván, ha már itt látod, hogy romboló, akkor ez komoly red flag (vannak speciális működésű ágazatok, pl. pénzügyi szervezetek, REIT‑ek, ahol ez nem ilyen egyszerű). Ha azonban értékteremtést látsz, akkor a tőkeköltségeket meghaladó hozamokat, illetve azok hisztorikus alakulását (trend) hasonlítod össze piacrelatívan (szektor, versenytársak, hasonló kockázati besorolású egyéb befektetések, stb.). A megtérülési mutatók szerepével (itt most a ROC) azonban ezzel még nem végeztünk. Ezen a ponton görgess vissza a Charlie Munger idézetig, mert azon a következő lépésként “csavarunk” egyet. Az üzenet ugyanis úgy még pontosabb képet ad a te hosszútávú hozamkilátásidról, ha a kiszemelt vállalat által tőkén elért hozamot az újrabefektetési rátájával (re-investment rate) korrigálod (ROC x reinvestment rate). Ez az, amihez a te hosszútávú hozamkilátásod tartani fog nagy valószínűséggel. Végül a ROC, pontosabban egy másik mutató a ROCE (Return on Capital Employed) összevetendő a különböző profit metrikák (earnings) növekedési rátáival. Röviden: a minőség a növekedéssel együtt számít. Önmagában a magas megtérülés, vagy a magas eredmény növekedési ráta nem feltétlenül jelent tulajdonosi értékteremtést. A kettő együtt jó eséllyel igen, ezért helyezzük el őket egy döntési mátrixban. Erről egy remek cikk született Vishal Khandelwal blogján. Onnan kölcsönöztem ezt a hivatkozott mátrixot (forrás: Bharat Shah of ASK Group):
Két szélsőértéket kiemelve a képről: simán megtörténhet, hogy nagyon szép megtérülési számok, de alacsony eredmény növekedési ráta mellett (jobb felső cella) igen kicsi valószínűséggel történik értékteremtés. De korai az öröm gyönyörű eredménynövekedési ráták láttán, ha amúgy a megtérülés vérszegény, mert ebben az esetben jó eséllyel történhet tulajdonosi értékrombolás is.
OK. Kicsit megkapartuk a részvénykiválasztási (screening) folyamat első lépésének, a tulajdonosi értékteremtést szolgáló minőségellenőrzésnek a felszínét. Mivel azonban a bejegyzés elsősorban a részvényelemzés AI és data science alapú támogatásáról szól maradjunk a Damodaran metrikánál (ROC – WACC). Amint korábban írtam, a professzor évente frissíti az adatait, melyeket közzétesz a honlapján, sőt friss elemzéseket is készít, amiket a LinkedIN-en publikál. Ezeket mindig örömmel olvasom, egy-egy pénzügyi év elején remek orientációt jelentenek. Amire magamtól is mindig ránézek, az a bejegyzés központi metrikáját jelentő ROC-WACC iparági és földrajzi alapon. Ide most az iparági átlagokból számolt, a 2025. évre vonatkozó (pontosabban a 2025 harmadik negyedév végétől hátratekintő 12 hónap (TTM)) a ROC-WACC szerinti 10 legjobb, illetve 10 legrosszabb iparágat hoztam el. Ne feledd! Ez aggregált, iparági átlag, ezeken belül simán találhatsz egy-egy egyedi céget, ami kiugró értékekkel rendelkezik. Azt se feledd, hogy vannak olyan működési modellek, melyekkel kapcsolatban nem lehet messzemenő következtetést levonni egy esetlegesen negatív ROC – WACC érték alapján. De azért szerintem hasznos, vagy érdekes orientáció lehet egy ilyen:
Remélem ez idáig hasznos és érdekes volt. Most azonban kanyarodjunk rá a data science oldalra. Szép és jó, hogy vannak updatelt excel tábláink, és amint látod, egy-egy nézetet pik pakk magad is össze tudsz állítani. Mi van azonban, ha több évtizedre visszamenőleg és esetleg animálva szeretnéd látni a tárgyalt metrikát? Nyilván ennél a mennyiségnél ez még kezelhető excelben, mivel azonban az AI képességeire vagyunk kíváncsiak és amúgy meg szeretünk elegánsan dolgozni, “eresszünk rá a problémára” egy kis data science-t, azon belül is egy vizualizációs megoldást.
Erről fog szólni a tartalom következő, II. része.
Hamarosan visszatérek 😊.
Jogi disclaimer
Kérlek, vedd figyelembe, hogy az itt olvasottak kizárólag a Data Science tanulmányaid támogatását szolgálják, ez nem részvényelemzési és pláne nem befektetési tanfolyami anyag. Ennek megfelelően csak a legszükségesebb mélységekig tárgyalom a kapcsolódó részvényelemzési ismereteket. Az itt tárgyaltak kizárólag oktatási és szemléltetési célt szolgálnak, nem minősülnek egyedi befektetési ajánlásnak vagy pénzügyi eszközre vonatkozó elemzésnek.
Az esetleges befektetési döntéseket te hozod meg, és te viseled azok következményeit. Befektetési döntés meghozatala előtt azonban mindig konzultálj független, engedéllyel rendelkező pénzügyi tanácsadóval, és végezz saját kutatást.
Az adatvezérelt döntéshozásról ma már minden cég beszél, de jóval kevesebben csinálják jól. Hárombetűs rövidítések (KPI, OKR, ERP, CRM) lepik el a prezentációkat, miközben a valódi kérdés az lenne: tényleg azt mérjük, ami a tulajdonosok számára értéket teremt? Vagy csak kipipáljuk az „adatvezéreltség” és a „digitalizáció” buzzwordjeit, miközben csendben égetjük a tőkét.
Az adatvezérelt döntéstámogatás folyamatának egyik kritikus lépése a megfelelő metrikák megválasztása.
Tudtad, hogy a rosszul meghatározott KPI ok és ösztönzők alapján simán el lehet vezetni egy vállalatot hatalmas bónuszokért úgy, hogy valójában a menedzsment nem tesz le valódi hozzáadott értéket az asztalra?
Tudtad, hogy még ha a vezetés jóhiszemű és hozzáértő is, akkor is tud tulajdonosi értéket rombolni egyszerűen a rosszul megválasztott metrikák eredményeként?
Tudtad, hogy külön irodalma van annak, hogyan lehet a klasszikus számviteli mutatókat törvényes keretek között – akár akaratlanul, akár szándékosan – manipulálni a vezetés érdekében, a tulajdonosok rovására? Olvass tovább a részletekért!
