全文链接:/?p=28735
作者:Feiyu Zhu
本文收集信息和数据,从多方面评估分析美光科技的市场走向,商业前景。
相关视频
解决方案
任务/目标
从内外部角度分析
外部:调查经济大背景(real GDP, Interest rates, inflation等参数)、半导体行业波动情况、外部不可控因素、通过数据分析美光在行业中的表现。
内部:调研管理层,分析财政状况(盈利、EBITDA、PP&E、D&A等),利用现有数据预测并计算出DCF。
数据源准备
各项经济指标、行业指标我们从/道琼斯指标///美联储官网等权威信息平台收集
公司各项金融数据从过去五年年报、金融数据库收集(包括Capital IQ/ Bloomberg/FactSet)。
点击标题查阅往期内容
Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性
左右滑动查看更多
01
02
03
04
数据处理
经济背景分析:
在Conference Board 的保护下,截止于第三季度,真实GDP保持着一个1.9%的annual rate增长,并且在就业率上升和工资上升的情况下,即将到来的第四季度会持续增长。但是预计在这个涨势会因为到达一个顶点而减缓,并且在之后五年都处于2.0%以下。
,FED连续三次降低了贴现率,降低了企业的资本成本。在,美国 FED funds会有所提升,稳定在2.0%。
截止于10月,通货膨胀率从1.7%涨到1.8%,在政府出台的保护政策下,会保持在2.2%左右。
_总结_:尽管真实GDP会有所下降,经济形势不容乐观,但是我们利用波特的五力分析美光的市场竞争力得出:美光的产品有微乎其微的概率被替换掉,它的市场占比稳定,所以美光受到市场下行的影响较低。
行业分析:
计算出了主要竞争对手过去五年的盈利率
_总结_:尽管和三星一样拥有销售量下滑的问题,美光科技在行业中有优秀的表现:偿还债务能力较高、一个健康的周转率、行业平均水平的流动性比率、有足够的资金偿还债务。
现金流折现计算:
除去能直接收集到的数据,以下为查不到并且需要估计预算的数据
收入、EBITDA和净利润率:通过过去的数据和增长率(分别是30.2%、47.5%、22.8%)计算。
PP&E,D&A和资本支出:PP&E增长率为20.6%,但是其自起有所下降,我们假设美光的PP&E会低与20.6%,是17%。从过去的数据来看,D&A是PP&E的8%,17*8%计算出D&A。
税率:因为美光科技是跨国企业,在一些低税率的国家地区有很多商业活动,我们通过公式反推一个估计的税率:(1-税率)=(自由现金流+净运营资本+资本支出-D&A)/利税前收益。Tc=1.8%``````流动资金和短期负债:
自由现金流:通过Excel计算
加权平均资本成本:Excel
终值:收集到和的P/E分别为17.91x、8.73x,跨度很大,所以我们采用一个保守的数值:8x,公式:净收入*P/E-现金&现金等价物+债务
利用Rwacc计算出(未来五年自由现金流+终值)的目前价值-短期债务+现金&现金等价物,最后再除以流通股数量=$62.6/股。
项目结果
预测的价格高于当时的市场价,所以预测市场会上涨,截止于3月疫情的大爆发,美光科技股价上涨。
关于作者
在此对Feiyu Zhu对本文所作的贡献表示诚挚感谢,他专长数理金融、数据采集、市场调研。
点击文末“阅读原文”
获查看全文。
本文选自《美光科技股票基本分析:经济背景、行业分析财政状况(盈利、EBITDA、PP&E、D&A等)预测计算DCF》。
点击标题查阅往期内容
R语言使用ARIMA模型预测股票收益时间序列
Python TensorFlow循环神经网络RNN-LSTM神经网络预测股票市场价格时间序列和MSE评估准确性
数据分享|PYTHON用KERAS的LSTM神经网络进行时间序列预测天然气价格例子
Python对商店数据进行lstm和xgboost销售量时间序列建模预测分析
Matlab用深度学习长短期记忆(LSTM)神经网络对文本数据进行分类
RNN循环神经网络 、LSTM长短期记忆网络实现时间序列长期利率预测
结合新冠疫情COVID-19股票价格预测:ARIMA,KNN和神经网络时间序列分析
深度学习:Keras使用神经网络进行简单文本分类分析新闻组数据
用PyTorch机器学习神经网络分类预测银行客户流失模型
PYTHON用LSTM长短期记忆神经网络的参数优化方法预测时间序列洗发水销售数据
Python用Keras神经网络序列模型回归拟合预测、准确度检查和结果可视化
Python用LSTM长短期记忆神经网络对不稳定降雨量时间序列进行预测分析
R语言中的神经网络预测时间序列:多层感知器(MLP)和极限学习机(ELM)数据分析报告
R语言深度学习:用keras神经网络回归模型预测时间序列数据
Matlab用深度学习长短期记忆(LSTM)神经网络对文本数据进行分类
R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据(MNIST)
MATLAB中用BP神经网络预测人体脂肪百分比数据
Python中用PyTorch机器学习神经网络分类预测银行客户流失模型
R语言实现CNN(卷积神经网络)模型进行回归数据分析
SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型
【视频】R语言实现CNN(卷积神经网络)模型进行回归数据分析
Python使用神经网络进行简单文本分类
R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析
R语言基于递归神经网络RNN的温度时间序列预测
R语言神经网络模型预测车辆数量时间序列
R语言中的BP神经网络模型分析学生成绩
matlab使用长短期记忆(LSTM)神经网络对序列数据进行分类
R语言实现拟合神经网络预测和结果可视化
用R语言实现神经网络预测股票实例
使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测
python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译
用于NLP的Python:使用Keras的多标签文本LSTM神经网络分类