Отрицательная прибыль. Меры исторического роста искажаются вследствие присутствия отрицательных величин прибыли. Процентное изменение прибыли за год определяется следующим образом:
Процент изменения прибыли на акцию за период t = (EPSt – EPSt-1)/EPSt-1.
Если EPSt1 – величина отрицательная, то данное вычисление даст незначимый результат. Это относится и к вычислению среднего геометрического. Если величина EPS в начальный временной период меньше или равна нулю, то среднее геометрическое перестает быть значимым.
При использовании логарифмически-линейной регрессии возникают аналогичные проблемы, поскольку прибыль на акцию должна быть больше нуля, чтобы стало возможным логарифмическое преобразование. Попытаться получить значимые оценки роста для фирм с отрицательными доходами можно по меньшей мере двумя способами. Во-первых, можно вывести линейную регрессию EPS относительно времени, определенного в предыдущей регрессии:
EPS = a + bt.
Тогда темпы роста можно приблизительно представить следующим образом:
Темпы роста EPS = b/средняя прибыль на акцию (EPS) за временной период регрессии.
Это предполагает, что средняя величина EPS за временной период является положительной. Другой подход к оценке роста для этих фирм – это использование в знаменателе наибольшей из двух величин (EPSt или EPS t-1):
Процентное изменение EPS = (EPSt – EPSt-1)/max(EPSt, EPSt-1).
Кроме того, можно использовать абсолютное значение EPS за предыдущий период.
Отметим, что эти подходы к оценке исторического роста не дают никакой информации относительно того, будут ли эти темпы роста полезными при прогнозировании будущего роста. Было бы корректно заключить, что исторические темпы роста незначимы, когда доходы отрицательны, и при прогнозировании будущего роста их можно игнорировать.
Модели временных рядов для предсказания прибыли на акцию. Модели временных рядов используют ту же историческую информацию, что и более простая модель, описанная в предыдущем разделе. Они представляют собой попытку получить более точные предсказания на основе этих же данных, но при использовании более сложных статистических методов.
Модели временных рядов Бокса-Дженкинса. Бокс и Дженкинс (Box and Jenkins) разработали процедуру для анализа и прогнозирования данных одномерных временных рядов при помощи авторегрессионной интегрированной модели скользящего среднего. Авторегрессионная интегрированная модель скользящего среднего (Autoregressive integrated moving average – ARIMA) моделирует значение во временном ряде как линейную комбинацию исторических значений и прошлых ошибок (шоков). Поскольку здесь используются исторические данные, эти модели являются работающими – до тех пор пока данные не демонстрируют детерминированное поведение (например, временную тенденцию или зависимость от внешних событий или переменных). Модель ARIMA обычно записывается следующим образом:
ARIMA (p, d, q),
где p = степень авторегрессионной части;
d = степень дифференцирования; q = степень процесса скользящего среднего.
Тогда математическую модель можно записать следующим образом:
где wt = оригинальный ряд данных или разница степени d оригинальных данных;
φ1, φ2… φр = авторегрессионные параметры;
θО = постоянный член;
θ1, θ2… θq = параметры скользящего среднего;
εt = независимые возмущения или случайная ошибка.
Модели ARIMA можно откорректировать с учетом сезонности (seasonality) в данных. В этом случае модель (SARIMA) выглядит следующим образом:
SARIMA (p, d, q) × (p, d, q)s = n,
где s = сезонный параметр длины n.