Podobnost obchodovaných společností a jejich násobitelů pohledem strojového učení
Autor(ka) práce:
Venclík, Jakub
Typ práce:
Diplomová práce
Vedoucí práce:
Svačina, Pavel
Oponenti práce:
Staňková, Veronika
Jazyk práce:
Česky
Abstrakt:
Diplomová práce zkoumá podobnost veřejně obchodovaných společností a jejich oceňovacích násobitelů s využitím algoritmů strojového učení. Jejím cílem je ověřit, zda skupiny podniků vytvořené shlukováním na základě fundamentálních determinantů odvozených z Gordonova modelu vysvětlují variabilitu oceňovacích násobitelů lépe než tradiční volba podobných podniků pomocí odvětvové klasifikace GICS. Analýza je provedena na průřezových vzorcích 1 058 až 1 626 amerických společností (Refinitiv Eikon, 1. čtvrtletí 2026) metodou dvoustupňového konsensus shlukování, přičemž pro každý ze čtyř násobitelů (P/B, P/E, EV/S, EV/EBITDA) je sestaven samostatný model s vlastními teoreticky odvozenými vstupními proměnnými. Výsledky ukazují, že ML shluky jsou téměř nezávislé na klasifikaci GICS a vysvětlují 1,8krát až 6,4krát větší podíl variability násobitelů, přičemž u tří násobitelů jde o velký efekt dle Cohenovy konvence. Validace mimo vzorek prokázala nižší chybu odhadu u tří ze čtyř násobitelů. Práce navrhuje transparentní a replikovatelný postup výběru srovnatelných podniků slučitelný s požadavky Mezinárodních oceňovacích standardů a ilustruje jej na konkrétním příkladu ocenění.
Comparability of Listed Companies and Their Valuation Multiples from a Machine Learning Perspective
Autor(ka) práce:
Venclík, Jakub
Typ práce:
Diploma thesis
Vedoucí práce:
Svačina, Pavel
Oponenti práce:
Staňková, Veronika
Jazyk práce:
Česky
Abstrakt:
The thesis examines the similarity of publicly traded companies and their valuation multiples using machine learning. Its aim is to test whether clusters formed on fundamentals derived from the Gordon growth model explain the cross-sectional variability of valuation multiples better than the traditional peer group selection based on GICS industry classification. The analysis covers samples of 1,058 to 1,626 U.S. companies (Refinitiv Eikon, Q1 2026) using two-stage consensus clustering, with a separate model and theoretically derived input variables for each of the four multiples (P/B, P/E, EV/S, EV/EBITDA). The results show that ML clusters are nearly independent of GICS and explain 1.7 to 6.4 times more of the variability of multiples, a large effect for three of the four multiples under Cohen's convention. Out-of-sample validation confirmed lower estimation errors for three of the four multiples. The thesis proposes a transparent, replicable peer selection procedure consistent with the International Valuation Standards and illustrates it on a worked valuation example.