[論文レビュー] A Bayesian Framework for Combining Valuation Estimates

Kenton K. Yee|ArXiv.org|Jul 24, 2007

Forecasting Techniques and Applications参考文献 35被引用数 3

ひとこと要約

この論文は、割引キャッシュフロー（DCF）、比較会社、市場価格といった複数の株式評価推定値を統合し、より正確な1つの点推定値を生成するベイズ枠組みを提案する。各推定値を確率分布として扱い、ベイズの定理を用いて信念を更新することで、矛盾する評価を統合する統計的に整合性のある方法を提供し、個々の手法に比べて著しく推定精度を向上させる。

ABSTRACT

Obtaining more accurate equity value estimates is the starting point for stock selection, value-based indexing in a noisy market, and beating benchmark indices through tactical style rotation. Unfortunately, discounted cash flow, method of comparables, and fundamental analysis typically yield discrepant valuation estimates. Moreover, the valuation estimates typically disagree with market price. Can one form a superior valuation estimate by averaging over the individual estimates, including market price? This article suggests a Bayesian framework for combining two or more estimates into a superior valuation estimate. The framework justifies the common practice of averaging over several estimates to arrive at a final point estimate.

研究の動機と目的

• 割引キャッシュフロー（DCF）、比較会社、基本分析などの異なる手法による一貫性のない評価推定の問題を解決すること。
• 複数の評価推定値を統合し、優れた統合点推定値を生成する統計的に厳密な手法を開発すること。
• 金融現場で一般的に行われる複数の評価を平均化する実務的慣行を、ベイズ確率論によって正当化および形式化すること。
• 推定誤差を低減することで、株式選択、バリューベースインデックス化、トランジットアセットアロケーションを改善すること。

提案手法

• 枠組みは、各評価推定値を確率密度関数が既知または仮定された確率変数としてモデル化する。
• ベイズの定理を用いて、複数の独立した評価手法からの証拠をもとに、内在的価値に関する事前信念を更新する。
• 内在的価値の事後分布は、各推定値の分散の逆数に比例する重みを用いた加重平均として導出される。
• 市場価格を入力推定値の1つとして取り入れ、真の価値のノイズの多いシグナルとして扱う。
• 真の価値が与えられたもとで推定値が条件付き独立であると仮定することで、解析的解が得られる。
• 最終的な点推定値は、事後分布の平均であり、二乗誤差損失の下での最適な組み合わせを表す。

実験結果

リサーチクエスチョン

• RQ1 統計的に整合性のある方法として、複数の矛盾する株式評価推定値を1つの優れた推定値に統合できるか。
• RQ2 異なる評価手法の相対的信頼性を、統一された枠組み内でどのように定量化し統合すべきか。
• RQ3 ベイズ更新を用いて推定値を統合することで、個々の手法に比べて推定誤差がどの程度低減されるか。
• RQ4 入力推定値として市場価格を組み込むことで、最終的な評価の正確性が向上するか。
• RQ5 複数の評価を平均化する一般的な実務的慣行は、経験的および理論的に正当化されるか。

主な発見

• ベイズ枠組みは、恣意的な平均化の不整合を解消する数学的に整合性のある推定値の平均化を正当化する。
• 最適な組み合わせ推定値は、入力推定値の分散の逆数に比例する重みを用いた加重平均であり、平均二乗誤差を最小化する。
• 市場価格を推定値の1つとして組み込むことで、市場効率性を活用しつつも、そのノイズを是正する。
• 単一の評価手法に依存するよりも、この手法は推定誤差をより効果的に低減する。
• この枠組みは一般化可能であり、ファンドアーメント、相対的、市場ベースの手法を含む、任意の独立的かつノイズの混入した評価シグナルに適用可能である。