Tradičně metoda tržního porovnání vyžaduje identifikaci porovnatelné skupiny, což dodnes přináší nevyřešené praktické obtíže. Tato disertační práce se snaží poskytnout cenné poznatky o praktičnosti, efektivitě a přesnosti strojového učení v relativním oceňování. Využívá moderní algoritmus strojového učení, Gradient Boosting Decision Trees (GBDT), k přímé predikci oceňovacího násobitele. Použit byl roční datový soubor veřejně obchodovaných amerických společností za období 1980-2021. Testovány byly nejběžnější násobitele (EV/EBITDA, EV/EBIT, P/E a EV/S). Výkon GBDT byl hodnocen srovnáním s metodou založenou na odvětví. GBDT konzistentně překonával Alternativní metodu s průměrným snížením mediánu absolutní procentní chyby o 30 procentních bodů a zvýšením korelace mezi predikovanými a skutečnými násobiteli v průměru o 40 procentních bodů. Výsledky podporují potenciál GBDT jako doplňkového nástroje v oceňovací praxi.
Klíčová slova:
metoda tržního porovnání; strojové učení; metoda zesíleného rozhodovacího stromu (Gradient Boosting Decision Trees); odvětvový násobitelé
Název práce:
Application of Machine Learning in Business Valuation Using the Market Comparison Method
Autor(ka) práce:
Staňková, Veronika
Typ práce:
Dissertation thesis
Vedoucí práce:
Mařík, Miloš
Oponenti práce:
-
Jazyk práce:
Česky
Abstrakt:
Traditionally, market comparison requires identifying a peer group, which still poses unresolved practical difficulties today. This dissertation seeks to provide valuable insights into the practicality, efficiency, and accuracy of machine learning in relative valuation. It employs a state-of-the-art machine learning technique, Gradient Boosting Decision Trees (GBDT), to predict the valuation multiple directly. A yearly dataset of U.S. public companies from 1980-2021 was used. The most common multiples (EV/EBITDA, EV/EBIT, P/E, and EV/S) were tested. The performance of GBDT was assessed against an industry-based method. GBDT consistently outperformed the Alternative method, reducing the median absolute percentage error by 30 percentage points on average and increasing the correlation between predicted and actual multiples by an average of 40 percentage points. The results support GBDT’s potential as a supplementary tool in valuation practice.