Minőségi részvénykiválasztás data science alapon – II. rész: ROC–WACC vizualizáció

A bejegyzéshez szervesen kapcsolódó előző (I.) részben a minőségi részvénykiválasztás elméleti hátterének témáját karcoltuk meg. Erre támaszkodva ebben a cikkben egy data science alapú vizualizációs gyakorlatot mutatok be iparági aggregált adatok alapján. A cél annak demonstrálása, hogy hogyan lehet AI-val támogatott alapvető data science ismereteket a gyakorlatban használni – ezúttal “csupán” a vizualizációra szorítkozva. Egészen pontosan azt szeretnénk idősorosan látni, hogy egy adott periódusban (2013–2025) mely iparágak tartoztak akár csak egyszer is a legjobb tíz (Top 10), illetve a legrosszabb tíz (Worst 10) csoportba a ROC–WACC mutató alapján. Ha egy iparág akár csak egyetlen évben bekerült ezekbe a csoportokba, akkor annak a teljes időszak alatti „élettörténetét” is meg szeretnénk jeleníteni. Már itt jelzem: ez a bejegyzés elsősorban data science oktatási és népszerűsítési célt szolgál. Az itt leírtak nem alkalmasak befektetési döntések meghozatalához, de arra igen, hogy ötleteket adjanak, vagy tovább finomítva a prezentált folyamatot, kódokat valódi döntéstámogató szerepük lehessen.

Az adatokat Aswath Damodaran professzor gyűjti és évenként frissíti, majd a honlapján közzéteszi. Ebből fogunk dolgozni:

https://pages.stern.nyu.edu/~adamodar/New_Home_Page/dataarchived.html#returns

Ezen a linken a szükséges adatok az EVA and Equity EVA by Industry sorban az első oszlopban érhetők el sorrendben 2013, 2015, …, 2025.

A legfrissebb, 2026 januárjában updatelt adat (a 2025. pénzügyi évre vonatkozóan) itt található:

https://pages.stern.nyu.edu/~adamodar/pc/datasets/EVA.xls

No, itt tehát modellezünk egy alap problémát. Vannak ugyan minőségi adataink (iparági átlagok), de azok nem egy helyen találhatók. Ha megnyitogatod a fájlokat és ismerkedni kezdesz az adatokkal, az is feltűnhet, hogy az egyes évekre vonatkozó excel táblák struktúrája nem következetes. Változhatnak az elnevezések, a tartalom és azok helye, stb. Vannak hiányzó adatok is. Már itt látszik, hogy ez nehezen algoritmizálható probléma. Ez alátámasztja azt a data science tapasztalatot, hogy a munka körülbelül 80%-a általában az adattisztítás és az adatok előkészítése. A „crème de la crème” rész csupán a munka körülbelül 20%-át teszi ki.

Tekintettel a “projekt” mikro méretére, a demonstrációs célokra és hogy Te is tudj “játszani” vele, aGoogle Colab-on írtuk meg a kódot, amelyet a Githubon keresztül teszek közzé.

A link megnyitása után a notebook a böngésződben töltődik be Google Colabon. Ha saját magad is módosítani vagy menteni szeretnéd, válaszd fent a menüben a File → Save a copy in Drive pontot; ekkor létrejön egy saját példány a Google Drive‑odban, amit szabadon szerkeszthetsz és futtathatsz.

Miután megnyitottad, görgess le és akkor valami ilyesmit látsz majd:

A # után, zöld színnel látod a magyarázó megjegyzéseket (mit csinál az adott kód). Röviden összefoglalva a folyamatot, ez történik:

• Letölti Aswath Damodaran nyilvános EVA (ROC–WACC) Excel‑fájljait 2013–2025 között, és egységes, tisztított iparági adatbázist épít belőlük.
• Minden évre kiszámítja, mely iparágak kerültek a ROC–WACC alapján a Top 10, illetve a Worst 10 közé.
• Összegyűjti azoknak az iparágaknak a teljes idősorát, amelyek a vizsgált időszakban bármikor a Top10‑ben vagy Worst10‑ben szerepeltek.
• Két nagy grafikonon ábrázolja ezeknek az iparágaknak a ROC–WACC alakulását: külön a „Top10” és külön a „Worst10” mezőnyre.
• Előkészíti az adatokat további ellenőrzéshez és külső vizualizációkhoz (pl. Tableau, Looker Studio) is.

A részletes lépéseket a megnyitott notebookban olvashatod.

Ezen a ponton válasszuk szét a gyakorlatot két részre:

1. Az AI és a data science szerepe a részvényelemzésben (hogyan használd) Tudatos KisBefektetők részére
2. Az elemzés eredménye és interpretációja

Az AI és a data science szerepe a részvényelemzésben (hogyan használd) Tudatos KisBefektetők részére

Egy kb 3-6 hónapos intenzív, a részvényelemzésre optimalizált AI és data science oktatás elégséges a szükséges alapok lerakásához. Olyan szintre kell eljutnod, hogy te vezesd az AI-t és ne fordítva. Nem kell tudnod programozni, de át kell látnod a környezetet, az alap szintaktikákat, mi mire való. Például a Python vonatkozásában ilyen (Mester Tomi cheat sheet) és ilyen szintek ismerete szükséges. Egy ilyen tudás (hasonlóan az SQL, Bash és statisztika) együtt a te mély domain ismereteiddel (itt: fundamentális részvényelemzés) alkalmassá tud tenni arra, hogy pontos promptokat fogalmazz meg a GenAI-nak, felismerd, ha nem a megfelelő irányba visz téged, korrigálhass. Elengedhetetlen a kritikus gondolkodás és a forrásellenőrzés.

Az elemzés eredménye és interpretációja

Itt újra jelzem, hogy a bejegyzés nem elemzés célú, hanem az AI-val támogatott data science használatot népszerűsíti. Ingyenesen csinálom, így a lehető legegyszerűbb, a megértést még éppen segítő szintig megyek el. Ha éles projekt lenne, akkor egyrészt tele lenne minőségellenőrő részekkel (ez az AI-val való együttműködésnél elengedhetetlen), másrészt számos finomítást tartalmazna. Így azonban a kódot lefuttatva ezt a két, ebben az állapotában még csúnyácska vizualizációt kapod:

Ránézve ezekre jól látható, hogy a Python által készített vizualizációk elsősorban analitikai célokra készülnek; publikációs vagy prezentációs környezetben gyakran érdemes dedikált BI eszközöket (pl. Tableau, Looker Studio) használni. Csak mutatóba itt egy a kód alapján generált és kicsit megszűrt Looker megjelenítés:

Hogy ne ugorjunk el azért a részvényelemzési (jelenleg iparági elemzési) kérdések elől -szem előtt tartva, hogy a bemutatott vizualizáció minőségellenőrzési és finomhangolási lépések hiányában nem tekinthető teljesen megbízhatónak – néhány óvatos következtetést azért megengedhetünk magunknak:

• A vizualizáció azt mutatja, hogy 2013–2025 között csak viszonylag kevés iparág jut tartósan magas, stabilan pozitív ROC–WACC‑be (dohány, egyes szoftver/healthcare/szolgáltatás szegmensek), míg több iparág fordul meg a Worst10‑ben, és ezek közül több tartósan negatív tartományban marad.
• a görbéken látszó „sávszűkülés” nagyon jól illeszkedik ahhoz az elméleti és empirikus eredményhez, hogy a ROC–WACC idővel iparági és piaci szinten is konvergál, azaz a túl magas és túl alacsony értékek közelebb kerülnek egymáshoz. Ez azonban nem minden iparágra igaz egyformán: egyes szektorok (pl. erős márkával vagy hálózati hatással rendelkező üzletek) hosszabb ideig is képesek a tőkeköltség feletti hozamot fenntartani.

A fentiek megerősítik azt a valóban profi elemzéseken alapuló megállapításokat, melyek szerint:

• Iparági szinten „meglepően kevés” üzlet termel tartósan pozitív excess returnt (ROC–WACC), a legtöbb szektor hozama a tőkeköltség körül ingadozik vagy alatta van. Ugyanez igaz az egyedi cégekre is. Bennett Stewart a Best‑Practice EVA című könyvében ezt írja: „A vállalat pozitív gazdasági profitotér el, miután minden erőforrás‑költséget fedezett – ez pedig az adott időpontban a gazdaságban működő tőzsdei vállalatoknak csak körülbelül a felére igaz.” Ez impliciten azt jelenti, hogy a másik fele értéket rombol, vagy legalábbis nem termel valódi tulajdonosi értéket.
• Az iparági ROC–WACC idősorok jól megmutatják, amit Charlie Munger is sokszor hangsúlyozott: a kiugróan jó és kiugróan rossz eredmények ritkán tartanak örökké, a hozamok idővel visszatérnek az átlaghoz (“regression to the mean”). És bár ő az egyedi cégek teljesítményével kapcsolatban jegyezte ezt meg, empirikus tanulmányok (Mauboussin, Damodaran) azt mutatják, hogy ezt a jelenséget jellemzően iparági átlagokra is kivetítik.

A következő bejegyzésben (bejegyzésekben?) azt járom körbe, hogy mi az oka annak, hogy többségben vannak az értékromboló cégek.

Hamarosan visszatérek 😊

Jogi disclaimer

Az itt bemutatott módszertan kizárólag oktatási és szemléltetési célt szolgál, nem minősül 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 én szerepem az, hogy módszertant, gondolkodásmódot és elemzési eszközöket mutassak be – ezen a fórumon erősen egyszerűsített formában –, valamint a saját tapasztalataimat osszam meg. Amit elmondok, az vélemény és ismeret, nem pedig utasítás, ajánlás.