Qu'est-ce que le modèle d'évaluation des gains anormaux?
Le modèle d'évaluation des bénéfices anormaux est une méthode pour déterminer la valeur des capitaux propres d'une entreprise en fonction de sa valeur comptable et de ses bénéfices. Également connu sous le nom de modèle de revenu résiduel, il examine si les décisions de la direction amèneront une entreprise à faire mieux ou pire que prévu.
Le modèle est utilisé pour prévoir les cours futurs des actions et conclut que les investisseurs devraient payer plus que la valeur comptable pour une action si les bénéfices sont supérieurs aux prévisions et inférieurs à la valeur comptable si les bénéfices sont inférieurs aux prévisions.
Points clés à retenir
- Également appelé modèle de revenu résiduel, le modèle d'évaluation des bénéfices anormaux est utilisé pour prédire le cours des actions.La partie du cours de l'action qui est supérieure ou inférieure à sa valeur comptable est attribuée à l'expertise de gestion de la société. le modèle doit être ajusté pour tenir compte de tout changement comme les rachats d'actions ou d'autres événements.
Comment calculer une évaluation des gains anormaux
Le modèle d'évaluation des bénéfices anormaux est l'une des nombreuses méthodes d'estimation de la valeur des actions ou des capitaux propres. La valeur des capitaux propres comporte deux éléments: la valeur comptable d'une entreprise et la valeur actuelle des revenus résiduels futurs attendus.
La formule pour la dernière partie est similaire à une approche de flux de trésorerie actualisés (DCF), mais au lieu d'utiliser un coût moyen pondéré du capital (WACC) pour calculer le taux d'actualisation du modèle DCF, le flux de revenus résiduels est actualisé au coût de l'entreprise d'équité.
Que vous dit le modèle d'évaluation des gains anormaux?
Les investisseurs s'attendent à ce que les actions aient un taux de rendement "normal" à l'avenir, qui se rapproche de sa valeur comptable par action. "Anormal" n'est pas toujours une connotation négative, et si la valeur actuelle des revenus résiduels futurs est positive, la direction de l'entreprise est supposée créer de la valeur au-delà de la valeur comptable de l'action.
Cependant, si la société déclare un bénéfice par action inférieur aux attentes, la direction en sera responsable. Le modèle est lié au modèle de la valeur ajoutée économique (EVA) dans ce sens, mais les deux modèles sont développés avec des variations.
Exemple d'utilisation du modèle d'évaluation des gains anormaux
Le modèle peut être plus précis dans les situations où une entreprise ne verse pas de dividendes ou verse des dividendes prévisibles (auquel cas un modèle d'actualisation des dividendes conviendrait), ou si les revenus résiduels futurs sont difficiles à prévoir. Le point de départ sera la valeur comptable; la fourchette de la valeur totale des capitaux propres après addition de la valeur actuelle des revenus résiduels futurs serait donc plus étroite que, disons, une fourchette dérivée d'un modèle DCF.
Cependant, comme le modèle DCF, la méthode d'évaluation des bénéfices anormaux dépend encore fortement de la capacité de prévision de l'analyste qui élabore le modèle. Des hypothèses erronées pour le modèle peuvent le rendre largement inutile pour estimer la valeur des capitaux propres d'une entreprise.
Limites du modèle d'évaluation des gains anormaux
Tout modèle d'évaluation est seulement aussi bon que la qualité des hypothèses introduites dans le modèle. Dans le cas de la valeur comptable par action utilisée dans l'évaluation du bénéfice anormal, la valeur comptable d'une entreprise peut être affectée par des événements tels qu'un rachat d'actions et cela doit être pris en compte dans le modèle. De plus, tout autre événement qui affecte la valeur comptable de l'entreprise doit être pris en compte pour s'assurer que les résultats du modèle ne sont pas faussés.
