Zum Inhalt

Die sechs Bewertungsmythen

„Models don't value companies—you do."

Kernidee

aswath_damodaran eröffnet Investment Valuation nicht mit einer Formel, sondern mit dem Abräumen von sechs Annahmen, die Bewertungsarbeit systematisch verzerren. Die Sektion kalibriert die folgenden tausend Seiten: Sie sagt, wie viel Gewicht ein Bewertungsergebnis überhaupt tragen kann.

Mythos 1: Bewertung sei objektiv, weil die Modelle quantitativ sind

„The models that we use in valuation may be quantitative, but the inputs leave plenty of room for subjective judgments. Thus, the final value that we obtain from these models is colored by the bias that we bring into the process. In fact, in many valuations, the price gets set first and the valuation follows."

Zwei praktikable Gegenmittel: vor Abschluss der Bewertung keine öffentliche Position beziehen, und den eigenen Einsatz am Ergebnis vorher minimieren. Institutionelle Verzerrung ist messbar — Sell-Side-Analysten geben deutlich häufiger Kauf- als Verkaufsempfehlungen, unter anderem weil Verkaufsempfehlungen den Informationszugang zum Unternehmen erschweren.

Mythos 2: Eine gute Bewertung sei zeitlos

Werte ändern sich mit neuen Informationen — unternehmensspezifisch, sektorweit oder gesamtwirtschaftlich. Finanzdienstleister, die Anfang 2008 hoch bewertet waren, waren Anfang 2009 deutlich weniger wert, weil die Krise verborgene Risiken offenlegte. Damodarans Antwort auf den Vorwurf, Bewertungen änderten sich zu oft, ist die von Keynes: „When the facts change, I change my mind. And what do you do, sir?"

Mythos 3: Eine gute Bewertung liefere eine präzise Zahl

Unsicherheit ist konstitutiv, nicht behebbar. Der Präzisionsgrad variiert stark: Ein großes reifes Unternehmen mit langer Historie ist genauer zu bewerten als ein junges in einem Umbruchsektor, und dieses genauer als eines in einem Schwellenmarkt. Entscheidend ist die Umkehrung, die Analysten meist übersehen: „Many investors and analysts use the uncertainty about the future or the absence of information to justify not doing full-fledged valuations. In reality, though, the payoff to valuation is greatest in these firms."

Mythos 4: Je quantitativer das Modell, desto besser die Bewertung

Mehr Inputs bedeuten mehr Fehlerquellen. Wird ein Modell zur Black Box, verschiebt sich die Verantwortung: „All too often when a valuation fails, the blame gets attached to the model rather than the analyst. The refrain becomes 'It was not my fault. The model did it.'"

Drei Regeln: das Prinzip der Parsimonie — nie mehr Inputs als nötig; die Abwägung zwischen dem Nutzen zusätzlichen Details und dessen Schätzkosten; und die Einsicht, dass das Problem meist nicht zu wenig, sondern zu viel Information ist. Das Trennen von Relevantem und Irrelevantem ist fast so wichtig wie die Methode selbst.

Mythos 5: Bewertung lohne nur, wenn Märkte ineffizient sind

Die Position enthält einen inneren Widerspruch. Wer Märkte für ineffizient hält, muss zugleich glauben, dass sie den Fehler korrigieren — sonst verdient er nichts. Und Markteffizienz kann nur entstehen, wenn genug Investoren an Ineffizienz glauben und danach handeln: „A precondition for market efficiency seems to be the existence of millions of investors who believe that markets are not efficient."

Die praktische Haltung ist Skepsis in beide Richtungen. Erstens: Wirkt etwas zu gut, um wahr zu sein, ist es das wahrscheinlich auch. Zweitens: Weicht der berechnete Wert stark vom Marktpreis ab, ist die Ausgangsvermutung, dass der Markt recht hat — die Beweislast liegt beim Analysten.

Mythos 6: Nur das Ergebnis zähle, nicht der Prozess

Der Bewertungsprozess beantwortet Fragen, die das Ergebnis nicht enthält: Was ist ein angemessener Preis für Wachstum? Was ist eine Marke wert? Wie stark wirkt eine Verbesserung der Projektrenditen? Wie schlägt die Marge auf den Wert durch? Deshalb ist Bewertung auch für jemanden nützlich, der den Marktpreis für die beste Wertschätzung hält.

Operative Relevanz

Die sechs Mythen sind das erkenntnistheoretische Gegenstück zur Mechanik in dcf_bewertung: Sie definieren, was ein Bewertungsergebnis ist — eine begründete Schätzung mit Fehlermarge, kein Messwert. In der Anwendung heißt das: Fehlermarge vor der Empfehlung festlegen, Modellkomplexität begrenzen, Bewertungen datieren, und bei großer Abweichung vom Marktpreis zuerst die eigenen Annahmen prüfen.