Việc xác định giá trị của một doanh nghiệp chưa bao giờ đơn giản đến mức chỉ cần áp dụng một công thức duy nhất. Nhà đầu tư phải ước tính lợi nhuận trong tương lai, đánh giá các rủi ro tài chính và xác định mức độ bất định mà bản thân sẵn sàng chấp nhận.

Ngày nay, những phương pháp định giá truyền thống ngày càng được hỗ trợ bởi các mô hình thống kê, nguồn dữ liệu thay thế và công cụ dự báo tiên tiến.

Những phương pháp này có thể mang lại góc nhìn sâu sắc hơn, nhưng đồng thời cũng đặt ra các giả định mới và tiềm ẩn những sai số cần được xem xét cẩn thận.

Định giá đa mô hình: Vì sao một phương pháp là chưa đủ?

Các chuyên gia phân tích cổ phiếu thường kết hợp và so sánh nhiều phương pháp định giá thay vì chỉ dựa vào một kết quả duy nhất. Những phương pháp phổ biến bao gồm phân tích dòng tiền chiết khấu, định giá so sánh với các doanh nghiệp tương đồng và đối chiếu với những giao dịch mua bán doanh nghiệp đã diễn ra. Mô hình dòng tiền chiết khấu ước tính giá trị doanh nghiệp bằng cách dự báo các dòng tiền trong tương lai, sau đó quy đổi chúng về giá trị hiện tại. Kết quả phụ thuộc rất lớn vào những giả định về tốc độ tăng trưởng doanh thu, biên lợi nhuận hoạt động, nhu cầu đầu tư, tỷ lệ chiết khấu và mức tăng trưởng dài hạn. Vì lý do này, các nhà phân tích thường xây dựng nhiều kịch bản khác nhau. Kịch bản cơ sở phản ánh những giả định được xem là có khả năng xảy ra nhất, kịch bản lạc quan đánh giá triển vọng kinh doanh tích cực hơn, trong khi kịch bản bất lợi xem xét những kết quả kém khả quan. Định giá tương đối mang đến một góc nhìn bổ sung. Những chỉ số như tỷ số giá trên thu nhập (P/E) và tỷ lệ giá trị doanh nghiệp trên lợi nhuận trước lãi vay, thuế và khấu hao (EV/EBITDA) cho phép so sánh giữa các công ty. Tuy nhiên, quá trình này cần tính đến sự khác biệt về tốc độ tăng trưởng, khả năng sinh lời, phương pháp kế toán và mức độ rủi ro tài chính. Một số chuyên gia còn sử dụng các kỹ thuật thống kê để phân tích mối liên hệ giữa những hệ số định giá và các đặc điểm nói trên. Dù vậy, việc điều chỉnh bằng phương pháp thống kê không đồng nghĩa với khả năng tự động loại bỏ những sai lệch của thị trường hoặc xác định chính xác giá trị nội tại của doanh nghiệp. Việc đối chiếu nhiều phương pháp giúp nhận diện những điểm tương đồng và mâu thuẫn giữa các giả định, từ đó lý giải vì sao những kết quả định giá được xây dựng trên cơ sở hợp lý vẫn có thể khác nhau.

Mô hình nhân tố và định giá dựa trên dữ liệu

Các mô hình nhân tố được sử dụng rộng rãi trong nghiên cứu đầu tư nhằm phân tích những quy luật biến động của lợi nhuận tài sản và rủi ro danh mục đầu tư. Những mô hình này xem xét cách chứng khoán phản ứng trước các đặc điểm hoặc nguồn rủi ro như quy mô doanh nghiệp, yếu tố giá trị, khả năng sinh lời, hành vi đầu tư và động lượng thị trường. Chẳng hạn, một danh mục đầu tư có thể trông tương đối rẻ vì nắm giữ nhiều cổ phiếu có hệ số định giá thấp. Phân tích nhân tố sẽ giúp xác định liệu hiệu quả hoạt động của danh mục còn chịu ảnh hưởng từ việc đầu tư vào các doanh nghiệp quy mô nhỏ, một số ngành cụ thể hoặc những đặc điểm mang tính hệ thống khác hay không. Tuy nhiên, mô hình nhân tố không đồng nghĩa với mô hình định giá nội tại. Chúng chủ yếu giúp giải thích sự khác biệt về lợi nhuận và mức độ tiếp xúc với các yếu tố rủi ro, thay vì trực tiếp tính toán giá trị cơ bản của một doanh nghiệp riêng lẻ. Đôi khi, nhà đầu tư kết hợp phân tích nhân tố với các phương pháp định giá truyền thống để đánh giá liệu một cổ phiếu có vẻ rẻ thực sự xuất phát từ nền tảng kinh doanh, điều kiện thị trường hay mức độ rủi ro cao khiến nhà đầu tư đòi hỏi tỷ suất sinh lời kỳ vọng lớn hơn. Mối quan hệ giữa các nhân tố cũng có thể thay đổi theo thời gian. Một quy luật từng thể hiện tính ổn định trong dữ liệu lịch sử có thể suy yếu hoặc biến mất, đặc biệt khi tính đến chi phí giao dịch và những thay đổi trong điều kiện thị trường.

Ứng dụng học máy trong dự báo định giá

Học máy có thể hỗ trợ các chuyên gia phân tích xử lý những tập dữ liệu lớn và phát hiện các mối quan hệ phức tạp mà phương pháp thống kê truyền thống khó nhận diện đầy đủ. Nguồn dữ liệu đầu vào có thể bao gồm những điều chỉnh dự báo lợi nhuận, báo cáo tài chính, chỉ báo nhu cầu sản phẩm, lưu lượng truy cập trang web, hoạt động tuyển dụng và nhiều thông tin khác liên quan đến tình hình kinh doanh. Ví dụ, một nhà phân tích có thể sử dụng dữ liệu doanh số trong quá khứ kết hợp với một số chỉ báo thay thế được lựa chọn để xây dựng dự báo doanh thu tương lai của doanh nghiệp. Kết quả dự báo sau đó có thể trở thành dữ liệu đầu vào cho mô hình dòng tiền chiết khấu. Một số phương pháp học máy còn có khả năng tạo ra phân phối xác suất hoặc khoảng dự báo, cho phép các chuyên gia đánh giá mức độ bất định thay vì chỉ phụ thuộc vào một con số ước tính duy nhất. Tuy nhiên, việc sử dụng nhiều dữ liệu hơn và các thuật toán phức tạp hơn không nhất thiết mang lại kết quả dự báo chính xác hơn. Mô hình có thể quá khớp với những quy luật trong dữ liệu lịch sử, dựa vào các mối tương quan gây hiểu lầm hoặc vô tình sử dụng thông tin chưa thực sự có sẵn tại thời điểm đưa ra quyết định đầu tư. Những nguồn dữ liệu thay thế cũng đặt ra nhiều vấn đề liên quan đến chất lượng, phạm vi bao phủ, chi phí thu thập và quyền tiếp cận hợp pháp. Để đánh giá một mô hình đúng cách, các chuyên gia cần kiểm thử trên những bộ dữ liệu thực sự chưa từng được sử dụng trong quá trình xây dựng mô hình, so sánh với các phương pháp dự báo đơn giản hơn và thường xuyên kiểm tra những thay đổi trong các mối quan hệ dữ liệu. Vì vậy, học máy nên được xem là một công cụ phân tích bổ sung, chứ không phải giải pháp thay thế hoàn toàn khả năng đánh giá tài chính của con người hay sự đảm bảo tuyệt đối về độ chính xác của kết quả định giá.

Góc nhìn chuyên gia: Vì sao tỷ lệ chiết khấu quan trọng?

John H. Cochrane, nhà kinh tế tài chính và nghiên cứu viên cao cấp tại Viện Hoover thuộc Đại học Stanford, đã có nhiều đóng góp quan trọng cho lĩnh vực nghiên cứu định giá tài sản và tỷ suất sinh lời kỳ vọng. Trong công trình nghiên cứu năm 2011 mang tên Tỷ lệ chiết khấu, được công bố trên Tạp chí Tài chính, Cochrane đã phân tích cách những thay đổi trong tỷ suất sinh lời kỳ vọng và tỷ lệ chiết khấu góp phần lý giải sự biến động của giá tài sản. Nghiên cứu của ông làm nổi bật một điểm khác biệt quan trọng: giá trị thị trường của doanh nghiệp vẫn có thể thay đổi ngay cả khi dòng tiền dự kiến trong tương lai tương đối ổn định. Nguyên nhân là những biến động trong mức lợi nhuận mà nhà đầu tư yêu cầu cũng có thể tác động đáng kể đến giá tài sản. Nguyên tắc này đặc biệt quan trọng đối với phương pháp phân tích dòng tiền chiết khấu.

Một doanh nghiệp có thể duy trì triển vọng lợi nhuận gần như không đổi, nhưng giá trị hiện tại ước tính vẫn biến động khi lãi suất, phần bù rủi ro hoặc những giả định khác liên quan đến tỷ lệ chiết khấu thay đổi. Công trình của Cochrane không khẳng định rằng học máy hay dữ liệu thời gian thực sẽ tự động cải thiện độ chính xác của hoạt động định giá. Thay vào đó, nghiên cứu cung cấp nền tảng lý thuyết để xem xét sự tương tác giữa dòng tiền kỳ vọng trong tương lai và tỷ lệ chiết khấu được áp dụng. Đối với nhà đầu tư, bài học thực tiễn là dự báo hiệu quả kinh doanh chỉ đóng vai trò một phần trong quá trình định giá. Việc hiểu rõ những giả định được sử dụng để quy đổi dòng tiền tương lai về giá trị hiện tại cũng quan trọng không kém.