Julkisen osakeyhtiön kassavirtapohjainen arvonmääritys
Sjöholm, Sebastian (2025)
2025
All rights reserved. This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi:amk-2025051311460
https://urn.fi/URN:NBN:fi:amk-2025051311460
Tiivistelmä
Työssä selvitettiin kassavirtapohjaisen arvonmäärityksen (DCF-menetelmä) toimivuutta ja soveltuvuutta julkisten osakeyhtiöiden arvonmäärityksessä. Tutkimuksen tarkoituksena oli arvioida, miten taloudelliset ja markkinatekijät vaikuttavat DCF-mallilla tehtyyn arvonmääritykseen, sekä tunnistaa menetelmän vahvuuksia ja haasteita.
Tutkimuksessa yhdistettiin teoreettinen tarkastelu ja empiirinen analyysi. Teoriaosuudessa käsiteltiin DCF-menetelmän keskeisimpiä muuttujia. Empiirisessä osuudessa rakennettiin DCF-malli ja tehtiin herkkyysanalyysiä. Lisäksi analysoitiin menetelmän toimintaa koronakriisissä (2020).
Tulokset osoittivat DCF-menetelmän olevan tärkeä työkalu, erityisesti markkinahäiriöissä, koska se keskittyy pitkän aikavälin kassavirtoihin. Haasteina havaittiin ennusteiden epävarmuus ja herkkyys oletuksille. Herkkyysanalyysi ja skenaarioiden luonti auttavat vastaamaan näihin haasteisiin. Menetelmä tukee sijoituspäätöksiä ja analyysia, mutta sen tarkkuutta voidaan tulevaisuudessa parantaa automatisoitujen ennusteiden avulla.
Tutkimuksessa yhdistettiin teoreettinen tarkastelu ja empiirinen analyysi. Teoriaosuudessa käsiteltiin DCF-menetelmän keskeisimpiä muuttujia. Empiirisessä osuudessa rakennettiin DCF-malli ja tehtiin herkkyysanalyysiä. Lisäksi analysoitiin menetelmän toimintaa koronakriisissä (2020).
Tulokset osoittivat DCF-menetelmän olevan tärkeä työkalu, erityisesti markkinahäiriöissä, koska se keskittyy pitkän aikavälin kassavirtoihin. Haasteina havaittiin ennusteiden epävarmuus ja herkkyys oletuksille. Herkkyysanalyysi ja skenaarioiden luonti auttavat vastaamaan näihin haasteisiin. Menetelmä tukee sijoituspäätöksiä ja analyysia, mutta sen tarkkuutta voidaan tulevaisuudessa parantaa automatisoitujen ennusteiden avulla.