KGHM - krótka analiza fundamentalna

Chociaż szykuję się do dalszych teoretycznych wywodów, związanych z teorią finansów (Międzyokresowy CAPM, Konsumpcyjny CAPM) nie mogę pozostawiać strony praktycznej na boku. Przypomnę, że 1 marca prognozowałem/wyceniałem poziom ceny/wartości KGHM na 126 zł - "Bezpieczna wycena akcji"  przy cenie 121 zł. Kurs rzeczywiście wzrósł niebawem nawet do 130 zł, co było racjonalne skoro wyniki nawet przekroczyły moje prognozy. Wypłacona dywidenda obniżyła kurs dokładnie o 4 zł. Od tego momentu KGHM znalazł się w silnym trendzie spadkowym, tak że dziś znajduje się w okolicach 100 zł. Zaprzecza to oczywiście tezie "bezpiecznej wyceny", że wartość KGH powinna znaleźć co najmniej na poziomie C/WK = 1, a dziś jest to 0,8. A przecież to było parę miesięcy temu i konglomerat nieprzerwanie zwiększa kapitał własny. Pierwsza rzecz, jaką należy sprawdzić to zachowanie się tempa zmian zysku operacyjnego. Poniżej zaznaczyłem kwartalne zmiany % od 1kw. 2004 do 1kw. 2015.

Zmiany te wydają się być stacjonarne, ostatnie spadki tempa są "naturalne". Aby rozwiązać zagadkę spadków, musimy sięgnąć nieco głębiej.

Spójrzmy więc na kwartalne ROE i kWACC (księgowy ważony koszt kapitału, czyli zysk operacyjny/aktywa) w tym samym okresie:

Dopiero ten wykres dostarcza wskazówki na temat spadków kursu. Rentowność spadła poniżej tej z 2008 r. Co więcej, zysk operacyjny wynosi już tyle co w 2009 r. Czyli co, czy kurs spadnie znowu do 20 zł? Raczej nie. Jak już, 40 zł. W ostatniej bessie c/wk spadła do 0,3, zatem aby dziś dostać tyle, kurs musi spaść do 40 zł. Jeśli mielibyśmy nie uwzględniać zmienności tempa wzrostu, to taka wycena miałaby sens. Weźmy nawet uproszczony model Gordona: dywidenda 4 zł, na podstawie ostatnich danych (zob. art "Bezpieczna wycena akcji") średnie tempo wzrostu 9% i koszt kapitału własnego 18%. Jeżeli założymy, że za rok będzie wzrost dywidendy o 3%, to dostajemy P = 4*1,03/(0,18 - 0,09) = 46 zł.

Czy taka wycena jest optymalna skoro jeszcze "przed chwilą" miało to być 130? Jak zawsze każda wycena podlega założeniom. Od 2000 r. średnia kWACC = 15%, podczas gdy od 2004 20%. Jeżeli Zarząd chce płacić 30% zysku w formie dywidendy, to teoretyczne tempo wzrostu zysku operacyjnego powinno wynieść 0,7*15% = 10,5% dla pierwszej średniej i 0,7*20% = 14% dla drugiej. A skoro Zarząd obniża wartość z 10,5 do 9%, to spoglądając dodatkowo na wykres ROE i kWACC nie ma wątpliwości, że panuje tutaj tendencja spadkowa. I tak samo czyta to rynek.

Jednak jak wiadomo tempo wzrostu zysku operacyjnego zależy nie tylko od poziomu kWACC, ale i od tempa zmian kWACC. Analogicznie jest z zyskiem netto i ROE. Jeżeli więc kWACC i ROE charakteryzują się jakąś cyklicznością, to można byłoby przewidywać poprawę lub pogorszenie sytuacji. Spójrzmy więc poniżej na roczne tempo zmian ROE i kWACC w ciągu ostatnich 10 lat.

W zasadzie niewiele możemy powiedzieć oprócz tego, że tempo spadku wskaźników maleje. Informacją, którą jednak można się dodatkowo posłużyć do prognozy są ceny miedzi. Warto wiedzieć, że w okresie 2004-1kw. 2015 kwartalne zyski operacyjne i ceny miedzi miały korelację Pearsona 0,54, a Spearmana 0,78. Dla stóp zmian tylko korelacja Pearsona była istotna stat. i wyniosła 0,28. Poniżej zamieściłem logarytmiczne wykresy kwartalnej ceny miedzi i zysku operacyjnego KGHM od 2004 do 1kw. 2015:

Spadki w cenach miedzi pociągają więc za sobą spadki w zysku i stanowią podstawę do bieżących wahań. Zatem należy szukać cykliczności również w cenach miedzi. Logarytmiczna stopa zmian cen miedzi dla powyższego okresu kreśli się następująco:

Raczej trudno mówić tu o jakiejś cykliczności, jednak z technicznego punktu widzenia jest to trend spadkowy. Przebicie oporu świadczyłoby o zmianie cyklu.

Z kolei ceny miedzi powinny korelować ze zmianami PKB na świecie. Jednak, o dziwo, wzrost PKB w strefie Euro i USA ostatnio rośnie. Wytłumaczeniem może być gospodarka chińska, która spowalnia - rośnie marne 7%.

Ponieważ tylko Chiny spowalniają nie należy spodziewać aż tak drastycznych cięć jak w 2008 i 2009. Problem leży w tym, że KGH ma olbrzymi historyczny koszt kapitału. Mogę sobie wyobrazić, że kurs spadnie do 70 zł, żeby potem w ciągu 4 lat mógł wzrosnąć do 170. Co więcej, prosta wycena Gordona sugeruje, że cena mogłaby dziś spaść nawet do 40 zł. Trudno sobie to wyobrazić, bo spełniłby się wtedy ten sam scenariusz co w 2008/2009 r.

Czy bessa i hossa różnią się autokorelacją?

Zawsze wydawało mi się, że w bessie autokorelacja stóp zwrotu się zwiększa. Przeprowadziłem więc własny subiektywny test autokorelacji I rzędu, aby to sprawdzić. Subiektywność polega na tym, że intuicyjnie wybrałem okresy długoterminowych wzrostów i spadków. Ponieważ sWIG charakteryzuje się największą autokorelacją spośród WIG-ów, to jego stopy zwrotu analizowałem. Ponieważ obliczałem współczynnik autokorelacji tylko I rzędu, zbadałem zarówno dzienne i miesięczne logarytmiczne stopy zwrotu. Poniższe rysunki ilustrują te okresy strzałkami i wskazują jaką zanotowałem dla nich autokorelację.

Statystyki dla dziennych log stóp zwrotu:
- średni współczynnik autokorelacji w hossie: 0,179
- średni współczynnik autokorelacji w bessie: 0,165
- średni współczynnik autokorelacji z hossy i bessy: 0,173
-  współczynnik autokorelacji w całym okresie: 0,16

Statystyki dla miesięcznych log stóp zwrotu:
- średni współczynnik autokorelacji w hossie: 0,185
- średni współczynnik autokorelacji w bessie: 0,155
- średni współczynnik autokorelacji z hossy i bessy: 0,171
-  współczynnik autokorelacji w całym okresie: 0,31

Wyniki wskazują, że wbrew oczekiwaniom hossa charakteryzuje się nieco wyższą autokorelacją od bessy.

Zacząłem się zastanawiać czy nie należałoby odrzucić trochę sztuczny podział na hossę i bessę, a raczej sprawdzić jak zachowuje się współczynnik autokorelacji pod warunkiem, że stopy zwrotu są dodatnie lub ujemne w poprzednim okresie. Zbudowałem więc w Excelu dwie funkcje w oddzielnych kolumnach o komendach:
(1) jeżeli stopa zwrotu jest dodatnia lub poprzednia stopa zwrotu jest dodatnia, wtedy zwróć stopę zwrotu;
(2) jeżeli stopa zwrotu jest ujemna lub poprzednia stopa zwrotu jest ujemna, wtedy zwróć stopę zwrotu.
Z tych wartości utworzone zostały ciągi okresów wzrostów w jednej kolumnie i spadków w drugiej kolumnie. Wyciągnąłem autokorelacje dla każdego okresu oddzielnie dla obydwu kolumn używając języka VBA. Zbyt mała próba w okresie powodowała przeszacowanie korelacji, dlatego też postawiłem warunek, że podpróba ma zawierać co najmniej 6 stóp zwrotu. Otrzymałem następujące wyniki.

Statystyki dla dziennych log stóp zwrotu:
- średni ważony współczynnik autokorelacji dla okresów rosnących:-0,162
- średni ważony współczynnik autokorelacji dla okresów spadkowych: -0,18

Statystyki dla miesięcznych log stóp zwrotu:
- średni ważony współczynnik autokorelacji dla okresów rosnących: -0,084
- średni ważony współczynnik autokorelacji dla okresów spadkowych: -0,08

To co dostałem było na tyle dziwne, że sprawdzałem te wyniki wielokrotnie, ale błędu nie znalazłem. Wygląda to tak, jakby trend (krótkoterminowy-dzienne stopy i średnioterminowy-miesięczne stopy) charakteryzował się autokorelacją ujemną zamiast dodatnią, przynajmniej na indeksie małych spółek.

Uzyskane wyniki porównałem ze statystykami Mcqueena, Pinegara i Thorleya [1]. Przypomnę, że ich wyniki już cytowałem w długim artykule Autokorelacja i efektywność rynku, w którym umieściłem tabelę:

Jak można z rysunku przeczytać, autokorelacja pochodzi z miesięcznych stóp zwrotu ze wszystkich akcji na NYSE (1963-1994), podzielonych według wielkości - od najmniejszych (1) do największych (5). Analizując współczynniki UP i DOWN, widać, że małe spółki, które odpowiadają sWIG80, faktycznie posiadają wyższą autokorelację dla wzrostów niż dla spadków, co potwierdza mój pierwszy test. Nigdzie jednak nie pojawia się ujemna autokorelacja. Autorzy nie napisali, że są to uśrednione współczynniki, a więc możliwe, że obliczyli po prostu współczynnik autokorelacji tak jakby był to jeden okres lub zastosowali inną metodę.

Literatura:

[1] Mcqueen, G., Pinegar M, i Thorley, S., Delayed Reaction to Good News and the Cross-Autocorrelation of Portfolio Returns, THE  JOURNAL  OF FINANCE, VOL. LI, NO.  3 ,  JULY  1996