Az EVA és a részvényárfolyam hosszú távú kapcsolata

Henyecz Tamás (2025) Az EVA és a részvényárfolyam hosszú távú kapcsolata. Pénzügyi és Számviteli Kar.

	PDF HenyeczTamás_PW87IX.pdf Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (1MB)
	Archive (ZIP) ADOBE_EVA_dataset.zip Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (680kB)
	Archive (ZIP) ADOBE_Python_modell.zip Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (586kB)
	Archive (ZIP) HenyeczTamás_Témavázlat.zip Hozzáférés joga: Csak nyilvántartásba vett egyetemi IP címekről nyitható meg Download (20kB)
	PDF Biralati lap Henyecz Tamás.pdf Hozzáférés joga: Bizalmas dokumentum (bírálat) Download (144kB)

Absztrakt (kivonat)

A szakdolgozatom egy elég szűk, de hasznos témát jár körbe. Befektetéssel, azon belül is részvényelemzéssel foglalkozom, és célom, hogy ezt a területet közelebb hozzam az érdeklődőkhöz. A dolgozat központi eleme a hagyományos pénzügyi modellezésben használt egy részvényre jutó eredmény (EPS), valamint az Economic Value Added (EVA), vagyis a vállalat által megtermelt valódi gazdasági érték összehasonlítása. Arra keresem a választ, hogy melyik mutató magyarázza jobban a részvényárfolyam mozgását, illetve egy olyan 5 éves árfolyamelőrejelzést adni az Adobe vállalat részvényére, ami valós feltételezéseket tükröz. A dolgozat elméleti rész első felében a fundamentális elemzést mutatom be, azon belül is az EVA keretrendszert és a hagyományos pénzügyi mutatókat. Kitérek a számviteli torzításokra és arra is, hogy az EVA hogyan korrigálja ezeket. Ilyen például a kutatás és fejlesztés, illetve a marketingre fordított összeg tőkésítése és a részvényesi tőke kezelése. Az elméleti rész második felében a gépi tanulás témakörét járom körben, kezdve azzal, hogy mi is az a gépi tanulás és hogy hol használják ezt a mindennapokban. Részletezem, hogy a pénzügyi világban milyen szerepet kap a Machine Learning, miért érdemes használni a pénzügyi modellek kialakításához. Kifejtem a típusait, azaz a felügyelt tanulást, a felügyelet nélküli tanulást, részben felügyelt tanulást és a megerősítéses tanulás. A harmadik fejezetben ismertetem azokat a módszereket, amelyeket a kutatás során alkalmazni fogok. Elmagyarázom a korrelációelemzés jelentőségét, majd részletesen szót ejtek a lineáris regresszióról. Ismertetem az elméleti hátterét, a költségfüggvény szerepét, az optimalizálási folyamatot, valamint a lineáris regresszió érvényességi feltételeit. Kitérek arra is, hogyan értékelhetők a kapott modellek, illetve bemutatom a reguláris lineáris modellek, mint például a Ridge, a Lasso, az ElasticNet működését. Ezen túl rövid áttekintést adok további elterjedt gépi tanulási módszerekről, például a Random Forest Regressor és az XGBoost Regressor technikáiról, valamint az idősoros elemzés jelentőségéről és főbb típusairól. A következő részben a Pythont és azon belül a Jupyter Notebook-ot lesz szó, ami a modellkészítésem alapja lesz. Felsorolom milyen hatékony megoldásokat kínál és hogy miért fontos a pénzügyi elemzési modelleknél vizualizációt használni. A dolgozat következő fejezete az EVA és az EPS mutatók Adobe vállalaton keresztüli összehasonlítását tartalmazza. Rövid vállalati áttekintést nyújtok. Bemutatom az Adobe bevételi forrásait, versenyelőnyeit, valamint a hosszú távú növekedési kilátásait. Bemutatom azt az Excel adattáblázatot, amit egy befektetési intézményi adatszolgáltató, a Institutional Shareholder Services biztosított. Az Excel az Adobe 1996 és 2025 közötti negyedéves adatokat, az EVA-keretrendszer által használt mutatókat és a hagyományos számviteli mutatókat, az Earnings-et, a részvényszámot és az EPS mutatót tartalmazza. A következő részben az Adobe részvényárfolyamának importálását magyarázom el, amit a Jupyter Notebookban kellett végrehajtanom ahhoz, hogy pénzügyi modellt tudjak elkészíteni. A modellekben ez a mutató a célváltozó. Röviden bemutatom milyen adattisztítást kellett végrehajtanom az adathalmazon. Ezt követően bemutatom az Adobe részvényárfolyam importálásának folyamatát a Jupyter Notebook környezetben, amely elengedhetetlen volt a modellek felépítéséhez. Kitérek az adattisztítás legfontosabb lépéseire is. Korrelációs és determinációs vizsgálatot végzek annak érdekében, hogy meghatározzam, hogy az EVA vagy az EPS rendelkezik-e erősebb magyarázóerővel az árfolyam alakulására. Hőtérkép segítségével kiválasztom azokat a változókat, amelyek a modellben maradnak, és eltávolítom a multikollinearitást okozó tényezőket. Az eredményeket három módszeren keresztül mutatom be. Grafikonon ábrázolom, hogy az EVA-nak vagy az EPS-nek erősebb a korrelációs kapcsolata. A következő fejezetben öt évre előretekintő árfolyam-előrejelzést készítek az Adobe részvényére, a korábban ismertetett három módszerrel. Bemutatom a referenciaérték modellt valamint az öt kulcsmutató (EVA, EVA Margin, ROC, Capital, NumShares) ötéves feltételezéseit. Lineáris regresszióval, valamint a Ridge, Lasso és ElasticNet regularizációs eljárásokkal készítek előrejelzést. A dolgozat végén összegzem az eredményeket, értékelem a választott módszerek hatékonyságát, és megfogalmazom azokat a fejlesztési irányokat, amelyekkel pontosabb előrejelző pénzügyi modellek hozhatók létre.

Intézmény

Budapesti Gazdasági Egyetem

Kar

Pénzügyi és Számviteli Kar

Tudományterület/tudományág

NEM RÉSZLETEZETT

Szak

Gazdaságinformatikus

Mű típusa:	diplomadolgozat (NEM RÉSZLETEZETT)
Kulcsszavak:	EVA, korreláció-regresszió, pénzügyi előrejelzések, pénzügyi modellezés, pénzügyi számvitel, Python, részvényárfolyam, többváltozós regresszió
SWORD Depositor:	User Archive
Felhasználói azonosító szám (ID):	User Archive
Rekord készítés dátuma:	2026. Júl. 09. 11:08
Utolsó módosítás:	2026. Júl. 09. 11:08

Actions (login required)

Tétel nézet