| Thesis title: |
Využití strojového učení v tržním porovnání |
| Author: |
Staňková, Veronika |
| Thesis type: |
Disertační práce |
| Supervisor: |
Mařík, Miloš |
| Opponents: |
- |
| Thesis language: |
Česky |
| Abstract: |
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. |
| Keywords: |
metoda tržního porovnání; strojové učení; metoda zesíleného rozhodovacího stromu (Gradient Boosting Decision Trees); odvětvový násobitelé |
| Thesis title: |
Application of Machine Learning in Business Valuation Using the Market Comparison Method |
| Author: |
Staňková, Veronika |
| Thesis type: |
Dissertation thesis |
| Supervisor: |
Mařík, Miloš |
| Opponents: |
- |
| Thesis language: |
Česky |
| Abstract: |
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. |
| Keywords: |
industry multiple; machine learning; Gradient Boosting Decision Trees; market comparison method |
Information about study
| Study programme: |
Účetnictví a finanční řízení podniku |
| Type of study programme: |
Doktorský studijní program |
| Assigned degree: |
Ph.D. |
| Institutions assigning academic degree: |
Vysoká škola ekonomická v Praze |
| Faculty: |
Faculty of Finance and Accounting |
| Department: |
Department of Corporate Finance |
Information on submission and defense
| Date of assignment: |
12. 1. 2020 |
| Date of submission: |
11. 4. 2025 |
| Date of defense: |
2025 |
Files for download
The files will be available after the defense of the thesis.