Множество исследований посвящено исследованию влияния новостей, объявляемых компанией на ее рыночную стоимость (Ролл, 1988г., Шверт, 1981 г., и Митчелл и Мулерин, 1994 г. Агравал 1992 г. и другие). Эмпирические данные показывают, что корпоративные новости, попадая на рынок, зачастую вызывают достаточно предсказуемую реакцию инвесторов, которая, в свою очередь, зависит от множества факторов. Если цена акций предсказуема, то есть, рынок однозначно реагирует на определенное событие, тогда, изучив соответствующие закономерности, торгуемые компании смогут использовать их в своих интересах, а именно управлять ценой своих акций или, по меньшей мере, знать заранее, какой эффект последует за тем или иным решением или объявлением. 
Проблема описания этих закономерностей может быть ярко проиллюстрирована в разрезе сделок по слиянию и поглощению компаний, так как появление любой информации о сделке (намерения, стоимость приобретения, решение антимонопольной службы, а также слухов о внутренней обстановке в компаниях) вызывает оживленные споры о целесообразности и эффективности такой реструктуризации. Каждая новость, сопровождается огромным количеством аналитики и незамедлительным изменением котировок компаний, участвующих в сделке, что дает возможность для изучения реакции рынка. Так, например, падение курса акций после объявления о предстоящей сделке отображает тот факт, что инвесторы считают, что выгоды слияния или поглощения сомнительны или, что поглощающая компания собирается уплатить за целевую компанию больше, чем требуется. Если же рыночная капитализация объединенной структуры возрастает в сравнении с суммарной стоимостью объединяющихся компаний, то инвесторами в перспективе ожидается положительная синергия от реструктуризации.
Рассмотрение реакции рынка на сигнал о слиянии или поглощении компаний можно свести к анализу биржевых котировок акций данных фирм. 
Постараемся несколько формализовать модель реакции рынка на информационные сигналы о слиянии или поглощении. Используем для этого метод нечеткой логики на примере сделки слияния ОАО «Роснефть» и TNK-BP 21 марта 2013 года.
Теория нечеткой логики (или теория нечетких множеств, или Fuzzy Logic) – новый подход к описанию бизнес-процессов, в которых присутствует неопределенность, затрудняющая и даже исключающая применение точных количественных методов и подходов. 
Лингвистические переменные – переменные, которые нельзя описать с помощью математического языка, т.е. им сложно придать точную (объективную) количественную оценку. Например, «Возраст работника», «Процентная ставка», «Погодные условия».
Терм-множества (лингвистические термы) – описание, характеризующее лингвистическую переменную. Например, «Низкая» или «Высокая» ставка, «Благоприятные» или «Неблагоприятные» погодные условия, «Верно» или «Неверно».
Функция принадлежности – инструмент перевода лингвистических переменных на математический язык для дальнейшего применения метода нечетких множеств. Функцией принадлежности является некая математическая функция, задающая степень или уверенность, с которой элементы некоторого множества Х принадлежат заданному нечеткому множеству А. Чем больше аргумент Х соответствует нечеткому множеству А, тем больше значение , т.е. тем ближе значение аргумента к 1.
Для применения данного метода выделим следующие 4 фактора, которые наиболее полно могут отразить теоретические аспекты реакции рынка на информационные сигналы:
I. Оценка слияния.
По этому фактору рассчитаем синергию от слияния, предполагая, что компании, участвующие в сделке могут ее определить с большой точностью и посылают на рынок правдивые сигналы.
Синергия=$10 млрд. [1]
И сама сделка, и синергия в ней признана экспертами крупнейшей в России за последние 15 лет. [2]
II. Текущее состояние приобретающей компании. 
Так как мы имеем дело с анализом в условиях биржи, применим к данной группе факторов модель скоринга (комплексной оценки инвестиционного качества акций) российских акций, предложенную Недосекиным А.О. в диссертации «Методологические основы моделирования финансовой деятельности с использованием нечетко-множественных описаний» [3]. В соответствие с ней будем рассматривать параметры в следующей системе предпочтений P/E }Cap ≈ Liquidity } P/S ≈ P/B ≈ ROА ≈ ROIC, где 
(Х } У) – отношение предпочтения, которое означает то, что параметр Х имеет большую значимость для исследователя, чем параметр У;
(Х ≈ У) – отношение безразличия, которое означает равную для эксперта значимость параметров Х и У.
1) P/E – отношение цены акции к доходам по ней;

P/E =  , где (1)

Р – цена акции;
EPS – доход в расчете на одну акцию, 

EPS = (2)

2) Cap – капитализация (в млн.$);

3) P/S – соотношение цены акции и продаж;

P/S =  (3)

Price – рыночная капитализация компании;
Sales – валовая выручка.
4) P/B – соотношение цены акции и собственного капитала в расчете на одну акцию;

P/B =  (4)

5) ROА – рентабельность активов;

ROА =*100%, где (5)

Проценты - проценты по кредитам (из отчета о прибылях и убытках); 
Ставка налога - предельная ставка налога на прибыль, т.е. ставка, по которой будет облагаться дополнительный доход компании;
Средние суммарные активы - среднегодовая величина суммарных активов компании (определяется как сумма активов на начало и на конец года, деленная пополам).
6) ROE – рентабельность собственного капитала;

ROЕ =*100% (6)

7) ROIC – рентабельность инвестиционного капитала.

ROIC = *100% (7)

III. Состояние внешней конъюнктуры.
Для определения этого параметра будем использовать динамику Индекса РТС, будем исходить из наклона тренда. С 28 января 2013 года по дату сделки (21 марта 2013 года) тренд индекса имел резкий отрицательный наклон. [4]

Рисунок.1 Динамика индекса РТС

IV. Тип инвесторов компании.

Т =  (8)

Для расчета показателей нам понадобятся следующие данные, которые получены из отчетности компании за 2012 год [1]:

Проведем нечеткую классификацию параметров. Для этого введем лингвистическую переменную «Уровень фактора Х» с терм-множеством значений «Высокий уровень фактора», «Средний уровень фактора», «Низкий уровень фактора». Промежуточные значения «Низкий-средний» и «Средний-высокий» формируют зону неуверенности эксперта в принятой классификации. Для данной классификации будем использовать границы уровней, предложенные Недосекиным А.О. в диссертации «Методологические основы моделирования финансовой деятельности с использованием нечетко-множественных описаний» [3]:

После вычислений получили следующий результат:

Вычислим ранги показателей. Если значения фактора попадают точно в выбранный интервал, то ранг равен 1 для данного уровня показателя и 0 для всех остальных. Если значение фактора лежит в зоне неуверенности, то для двух смежных классов формируются ранги, сумма которых равна 1; вычисление рангов идет по следующей формуле:

л₁ = , л₂ = 1 – л₁, где (9)

X – значение параметра;
В – верхняя граница интервала неопределенности;
Н – нижняя граница интервала неопределенности.
Оценка для рангов приведена в следующей таблице:

Оценим веса отдельных факторов для комплексной оценки, так как показатели у нас проранжированы, будем использовать правило Фишберна:

= , где (10)

N – количество факторов (4 фактора в данной методике);
i – номер фактора по порядку в соответствие с выбранной системой предпочтений.

=0,4 =======0,043 =0,2 =0,1

Теперь определим лингвистическую переменную «Стоимость акций» с терм-множеством значений «Значительно вырастут», «Не изменятся», «Значительно снизятся», и промежуточными значениями «Снизятся», Вырастут». Итак, мы имеем набор из i=1…10 отдельных факторов со своими текущими значениями , то можно перейти к единому агрегированному фактору A_N, значения которого распознать с помощью стандартного классификатора (см. ниже). Количественное же значение агрегированного фактора определяется по формуле двойной сверки:

, где (11)

i – индекс отдельного показателя для их общего числа N=10;
j – индекс уровня показателя для общего чиcла уровней М=3;
 - ранг i-ого показателя по своему j-ому уровню.
Определим в качестве носителя лингвистической переменной отрезок вещественной оси [0,1]. Любые конечномерные отрезки вещественной оси могут быть сведены к отрезку [0,1] путем простого линейного преобразования, поэтому выделенный отрезок единичной длины носит универсальный характер, назовем носитель вида [0,1] 01-носителем. Для описания подмножеств терм-множества веем систему из трех соответствующих функций принадлежности трапецеидального вида:

 (12)
 (13)
 (14)

В (12), (13), (14) A_N – 01-носитель. Построенные функции принадлежности приведены на рис. 2:

Рисунок. 2 Функции правдоподобия

Введем набор узловых точек α₁=0,2 α₂=0,5 α₃=0,8 , которые с одной стороны являются абсциссами максимумов функций принадлежности терм-множества лингвистической переменной «Стоимость акций» на 01-носителе, а с другой стороны, равномерно отстоят друг от друга на 01-носителе и симметричны относительно узла 0,5. Тогда введенную лингвистическую переменную будем называть стандартным трехуровневым нечетким 01-классификатором. Его суть в том, что если о факторе неизвестно ничего, кроме того, что он может принимать любые значения в пределах 01-носителя (принцип равнопредпочтительности), а надо провести ассоциацию между качественной и количественной оценками фактора, то предложенный классификатор делает это с максимальной достоверностью. При этом сумма всех функций принадлежности для любого A_N равна единице, что указывает на непротиворечивость классификатора. Так как мы не имеем дополнительных данных о поведении фактора (например, гистограммы распределения), то будем использовать стандартный его вид с симметричным расположением узловых точек.
Значения функции принадлежности для подмножеств переменной «Стоимость акций» задаются таблично:

Сопоставив результат вычисления (0,6556) с таблицей, задающей функцию A_N, мы видим, что согласно данной методике котировки акций компании должны вырасти при появлении информации о сделке. Сравним данный результат с реальными котировками. Так как любая информация о сделке держалась в строгой тайне, поэтому 21 марта 2013 года на официальное объявление о сделке акции ОАО «Роснефть» отреагировали ростом котировок: цена на закрытии торгов была выше цены закрытия 20 марта 2013 года на 4,66 руб., а объем торгов по этим акциям был соответственно выше на 871 149 789 акций. На графике отмечена соответствующая данному росту вершина:

Итак, моделирование на основе нечеткой логики показало точный результат на примере сделки слияния ТNК-ВР и ОАО «Роснефть». Котировки приобретающей компании действительно отреагировали ростом на информацию о сделке, хотя общий тренд не изменился. Данная ситуация объясняется предположением Германа Викторовича Чуркина, описанного в его статье «Роль прогнозов в изучении теории сюрпризов», а именно: если новость противоречит основному тренду (в данном случае и рынок находился на спаде, и котировки акций ОАО «Роснефть» падали), то ее влияние может ограничиться несколькими часами.

1. Официальный сайт компании ОАО «Роснефть»/ URL: http://www.rosneft.ru (дата обращения 01.06.2016)
2. Официальный сайт газеты «Ведомости»: http://www.vedomosti.ru/ (дата обращения 01.05.2016)
3. Недосекин А.О. Методологические основы моделирования финансовой деятельности с использованием нечетко-множественных описаний // Диссертация на соискание ученой степени доктора экономических наук. Спб., 2003.
4. Информационный портал.URL: http://stocks.investfunds.ru/ (дата обращения 27.06.2016)
5. Справочный интернет-портал. URL: http://cbrf.magazinfo.ru/ (дата обращения 20.05.2016)
6. Чуркин В.Г. Роль прогнозов в изучении теории сюрпризов // Аудит и финансовый анализ. 2012. №2.

Все статьи автора «Морогова Ольга Александровна»