Разделы: Информационные технологии, Экономика
Размещена 28.04.2026. Последняя правка: 27.04.2026.
Просмотров - 116

Анализ и прогнозирование денежного потока на основе финансовой отчетности публичных компаний

Цыпылов Никита Евгеньевич

Финансовый университет при правительстве РФ, г. Краснодар

студент

Дюдин М.С., старший преподаватель, Финансовый университет при правительстве РФ, г. Краснодар

УДК 004.415.53

Введение

Важность предсказания движения денег в сегодняшних реалиях сложно переоценить. Наш фондовый рынок в промежутке между 2019 и 2025 годами, несмотря на различные внешние трудности, показывает устойчивый рост. Согласно сводкам Московской биржи, общая стоимость всех торгуемых акций к началу 2025 года перешагнула отметку в 58 трлн рублей - это прямое доказательство повышающегося интереса игроков к национальным финансовым инструментам [4]. Когда доступ к зарубежным рынкам капитала оказался затруднен, российские вкладчики переключились на внутренние активы. Как следствие, стратегии, опирающиеся на дивидендные доходы, заняли куда более значимое место при создании портфелей.

Актуальность

Умение заблаговременно оценивать денежные потоки, которые генерируют публичные фирмы, сегодня превратилось в жизненно необходимый инструмент для продуманных вложений. Особенно остро это умение требуется, когда речь заходит о дивидендной политике крупнейших эмитентов. В одном из исследований, посвящённых современным методам разбора отчетности, подчеркивается: чем точнее спрогнозирован поток денег, тем выше отдача от портфеля и меньше возможные потери [2]. При этом нужно помнить, что сами дивиденды - это лишь та часть общего денежного потока, которую распределяют среди акционеров.

Цель и задачи исследования

Цель работы — разработать и апробировать методику прогнозирования денежного потока публичных компаний (на примере дивидендных выплат ПАО «Сбербанк») на основе данных финансовой отчётности с применением регрессионного анализа.

Задачи исследования:

• Обосновать выбор ПАО «Сбербанк» в качестве модельной компании для прогнозирования дивидендов.

• Определить ключевые факторы, влияющие на чистую прибыль и дивидендные выплаты в российском банковском секторе.

• Построить линейную регрессионную модель прогноза чистой прибыли, совокупных дивидендов и дивиденда на акцию на основе данных за 2019–2025 гг.

• Реализовать модель программно на Python и выполнить точечный прогноз на 2026 год.

• Оценить ограничения модели и предложить направления её улучшения.

Научная новизна

Научная новизна исследования заключается в следующем:

• Предложена и апробирована методика прогнозирования дивидендных выплат как составной части денежного потока публичной компании на примере ПАО «Сбербанк» с использованием линейной регрессии на ограниченных временных рядах, что позволяет минимизировать риск переобучения модели в условиях волатильности российского фондового рынка.

• В отличие от классических западных подходов, в работе адаптирован регрессионный анализ к специфике российского банковского сектора с учётом требований регулятора  и циклического характера денежных потоков.

• Обоснована применимость линейной регрессии как инструмента верификации гипотезы о сохранении восходящего тренда дивидендных выплат при стабильной операционной среде, что подтверждено расчётами на реальных данных ПАО «Сбербанк» за 2019–2025 годы.

• Разработана и программно реализована на Python модель прогнозирования чистой прибыли, совокупных дивидендов и дивиденда на акцию, позволяющая проводить сценарный анализ и регулярно уточнять прогнозы по мере выхода новой отчётности.

Под денежным потоком понимается перемещение финансов и их эквивалентов внутри компании, возникающее в ходе её текущей (операционной), инвестиционной и финансовой деятельности. Главным поставщиком средств для выплаты дивидендов служит именно операционный поток. Как верно замечено в современных научных работах, долгосрочная привлекательность фирмы с точки зрения дивидендов напрямую определяется её способностью стабильно создавать положительный свободный денежный поток [5].

ПАО «Сбербанк» можно считать удачным примером для построения прогнозных моделей по ряду причин:

• высокая оборачиваемость его акций на бирже и внушительная рыночная стоимость (на 2025 год - свыше 6,5 трлн рублей);

• понятная и открытая бухгалтерская отчётность, которая ведётся по международным правилам;

• устойчивая практика выплат с плановым нормативом отчислений акционерам в размере 50% от чистой прибыли, рассчитанной по МСФО;

• ключевая роль в национальной экономике, что делает бизнес-модель банка во многом предсказуемой;

• обширная база аналитических данных и доступность информации для тех, кто вкладывает средства.

В своих указаниях Центральный банк обращает внимание на необходимость всесторонней оценки финансовой надёжности кредитных учреждений, когда речь заходит об их способности исправно платить дивиденды [3]. Регулятор прежде всего смотрит на запас капитала, состояние активов и стабильность каналов привлечения денег.

Цифры показывают, что размер дивидендов у разных российских фирм сильно различается. За 2024 год суммарные выплаты крупнейших публичных компаний перевалили за 3,8 трлн рублей - это на 22% больше, чем годом ранее. Но распределение средств остаётся неравномерным: на долю предприятий нефтегаза и финансовых организаций приходится более 70% всех дивидендов.

В современной финансовой литературе можно встретить немало способов предсказывать как движение денег, так и сами дивидендные выплаты. Классические модели, где будущие доходы акционеров приводят к текущей стоимости (дисконтирование дивидендов), были придуманы ещё в середине прошлого века. Они не потеряли ценности и сегодня, но их приходится подстраивать под реалии растущих рынков. Российские аналитики активно берут на вооружение западные наработки, перерабатывая их с учётом особенностей отчётности по МСФО и российским стандартам [6].

Фундаментальный подход к предсказанию дивидендов строится на изучении главных финансовых индикаторов из отчётности фирмы. Отчёт о движении денег (ОДДС) показывает реальное поступление и расходование средств, тогда как отчёт о прибылях и убытках фиксирует результат по методу начисления (по факту совершения операций, а не оплаты). Именно данные из ОДДС помогают понять, способна ли компания создавать свободный денежный поток, который можно направить акционерам.

Свободный денежный поток (Free Cash Flow, FCF) получают по формуле:

FCF = Деньги от операционной деятельности - Капитальные затраты

В банковской сфере вычисление этого показателя имеет свои нюансы из-за того, как устроена бизнес-модель кредитных организаций, а также из-за требований регулятора по нормативам достаточности капитала и резервирования [7]. В этой работе практическая модель нацелена на предсказание дивидендов как части денежного потока, что позволяет сделать изложение методологии проще, не жертвуя при этом экономическим содержанием решаемой задачи.

Основные шаги при выстраивании прогнозной модели таковы:

• отбор и упорядочивание данных из финансовой отчётности за последние как минимум 5 лет;

• определение главных факторов, влияющих на движение денег (например, расширение кредитного портфеля, чистая процентная маржа, операционные издержки);

• построение уравнений регрессии, чтобы предсказывать ключевые индикаторы;

• анализ того, как макроэкономические условия (ключевая ставка ЦБ, рост ВВП) сказываются на результате;

• проверка чувствительности модели к изменениям внешних условий с помощью сценарного подхода.

При практическом применении эта модель нацелена на прогноз дивидендов в составе денежного потока ПАО «Сбербанк».

Изучение финансовой отчётности «Сбербанка» за 2019–2025 годы показывает устойчивый рост операционных денежных потоков. По МСФО чистая прибыль банка в 2025 году достигла 1,7 трлн рублей - это рекорд за всю историю организации. За 2023 год (фактически выплачено в 2024-м) дивиденды составили 33,30 рубля на одну акцию, а в сумме - около 752,1 млрд рублей [8].

В современных научных работах подчёркивается, что при прогнозировании банковских дивидендов обязательно принимать во внимание требования регулятора. Центральный банк даёт рекомендации по поводу дивидендных выплат, отталкиваясь от уровня достаточности капитала в конкретной кредитной организации [3]. Для банков, признанных системно значимыми, планка по капиталу устанавливается выше, из-за чего в нестабильные периоды экономики размер дивидендов может быть ограничен.

Статистика свидетельствует о сильной связи между рентабельностью собственного капитала (ROE) и объёмом дивидендов. В 2024 году ROE «Сбербанка» составил 24,3%, что заметно превосходит средние значения по сектору. Однако если просто продлевать исторические тренды в будущее (экстраполяция), можно систематически ошибаться в прогнозах. Нужно не забывать про циклический характер банковского дела и про возможные внезапные сбои с ликвидностью.

Практическая модель прогнозирования на примере ПАО «Сбербанк»

Чтобы создать работающую модель для прогнозирования, нужен комплексный подход, где фундаментальный анализ дополняется количественными методами. Базовую модель можно собрать из нескольких составных частей.

Составляющая 1. Как предсказать чистую прибыль.

На чистую прибыль банка влияет много факторов. Ключевые среди них:

• чистый процентный доход (то есть разница между тем, что банк получает по кредитам и платит по привлечённым средствам);

• чистый доход от комиссий;

• расходы на текущую деятельность (операционные);

• стоимость риска (средства, отчисляемые в резервы на случай обесценения активов).

Для каждого из этих элементов используются свои вспомогательные модели. Скажем, чистый процентный доход оценивают, опираясь на ожидаемый объём кредитного портфеля и прогнозное значение чистой процентной маржи. А маржа, в свою очередь, сильно зависит от того, как будет меняться ключевая ставка ЦБ.

Составляющая 2. Оценка требований к капиталу.

То, сколько средств банк может направить акционерам, во многом определяется нормативами регулятора по достаточности капитала. По требованиям Банка России, норматив Н1.0 (достаточность собственных средств) не должен опускаться ниже 8%, а для системно значимых игроков предусмотрены ещё и дополнительные надбавки [3]. В прогнозной модели нужно учитывать, как, скорее всего, вырастут активы, взвешенные по риску, и сколько капитала потребуется для их покрытия.

Составляющая 3. Дивидендная политика.

ПАО «Сбербанк» официально заявил, что направляет на дивиденды 50% от чистой прибыли по МСФО. Однако реальная сумма выплат может быть скорректирована под влиянием:

• потребности в деньгах для стратегических планов развития;

• указаний со стороны регулятора;

• текущего состояния экономики и прогнозов по рискам;

• решений, которые принимают акционеры на годовом собрании.

Для количественной оценки ожидаемых показателей на 2026 год применима линейная регрессия - она основана на динамике чистой прибыли банка за период с 2019 по 2025 год. Выбор данного метода обусловлен спецификой задачи и структурой доступных данных. В условиях ограниченного числа наблюдений(7лет) использование более сложных эконометрических моделей (например, ARIMA или моделей с авторегрессией) сопряжено с риском переобучения и потерей статистической значимости результатов. Линейная регрессия позволяет выделить устойчивый долгосрочный тренд, минимизируя влияние краткосрочных колебаний, характерных для банковского сектора.

С точки зрения экономической интерпретации, линейная модель адекватно отражает суть дивидендной политики ПАО «Сбербанк», ориентированной на последовательный рост выплат в зависимости от динамики чистой прибыли. Коэффициент детерминации модели свидетельствует о умеренной статистической связи между факторами, что подтверждает применимость выбранного подхода для построения точечного прогноза на краткосрочный период. Таким образом, использование линейной регрессии в рамках данной работы выступает не только как инструмент расчёта, но и как способ верификации гипотезы о сохранении восходящего тренда при условии стабильности операционной среды.

Примечание. Количество акций в обращении около 21,6млрд шт.  Данные в таблице округлены для наглядности.[8] Прогноз на 2026 год получен линейной регрессией по данным 2019–2025 гг., реализация представлена в Приложении.

Результаты исследования

Прогнозные значения, полученные в ходе расчётов, свидетельствуют о сохранении положительной динамики ключевых финансовых показателей банка. При условии удержания дивидендной политики на уровне распределения около половины чистой прибыли в пользу акционеров ожидается дальнейший рост выплат.

В рамках практической реализации построена модель линейной регрессии для прогнозирования дивидендов как части денежного потока ПАО «Сбербанк» на 2026 год. Для количественной оценки была построена модель линейной регрессии, где в качестве независимой переменной выступал порядковый номер года. Качество аппроксимации данных моделью характеризуется коэффициентом детерминации R²=0,42, что говорит о наличии умеренной статистической связи между фактором времени и динамикой прибыли.

Если опираться на итоги моделирования, то прогнозируемая величина чистой прибыли по МСФО на 2026 год составляет 1764 млрд рублей. Ожидается, что общая сумма дивидендных выплат достигнет 770 млрд рублей, а выплаты в расчёте на одну бумагу составят 34 рубля. Эти цифры подтверждают сделанное ранее предположение: восходящая тенденция, скорее всего, сохранится, если операционное окружение останется стабильным.

Один из самых важных моментов в модели - это учёт макроэкономической обстановки. Как показывают исследования, потоки денежных средств в банковском секторе очень чутко реагируют на изменения ВВП, инфляцию и уровень процентных ставок [5]. Чтобы прогнозы получались точнее, в модель стоит встраивать макроэкономические оценки, подготовленные авторитетными центрами - например, Центром развития при НИУ ВШЭ или Институтом Гайдара.

Проверка модели (валидация) делается через сравнение предсказанных значений с тем, что получилось в предыдущие периоды на самом деле. Для горизонта прогнозирования в один год приемлемая средняя абсолютная процентная ошибка (MAPE) у качественной модели не должна превышать 10–15%. Если же пытаться заглянуть дальше, точность неизбежно падает - сказывается накопление неопределённости.

Программно модель реализована на языке Python; основная часть кода вынесена в Приложение. Выбор Python даёт гибкость при обновлении данных и позволяет быстро пересобирать прогнозы, если меняются исходные допущения. Благодаря автоматизации прогнозы можно регулярно уточнять по мере выхода свежих финансовых отчётов.

У любой прогнозной модели есть свои границы применимости - и из-за качества исходных данных, и из-за того, что будущее в принципе невозможно предсказать со стопроцентной точностью. Основные источники ошибок таковы:

• открытые данные не всегда полно отражают все факторы, влияющие на бизнес компании;

• трудно заложить в модель качественные вещи (смену руководства, новые стратегические повороты);

• макроэкономические потрясения и внезапные решения регулятора невозможно предвидеть;

• исторических данных часто не хватает, чтобы моделировать редкие, но значимые события;

• системные риски из-за тесной взаимосвязи разных финансовых организаций тоже создают проблемы.

В современных научных работах предлагают использовать методы машинного обучения, чтобы точнее предсказывать финансовые показатели. Нейросети и ансамблевые подходы (когда комбинируют несколько моделей) дают обнадёживающие результаты при работе с временными рядами - особенно там, где присутствуют нелинейные связи [1]. Правда, внедрение таких методов требует мощных вычислительных ресурсов и серьёзных навыков в области data science.

Одно из многообещающих направлений для развития - это добавление в прогнозные моделей альтернативных источников данных. Если анализировать новостную повестку, посты в соцсетях и прочую неструктурированную информацию, можно получить дополнительные сигналы о том, как поведут себя финансовые показатели в будущем. Техники обработки естественного языка (NLP) помогают извлекать из текстов полезные сведения и встраивать их в количественные модели.

Ещё один важный момент при доработке моделей - учёт ESG-факторов (экологических, социальных и управленческих). Внимание к устойчивому развитию растёт, и это напрямую влияет на долгосрочные перспективы компаний, а также на их способность стабильно генерировать денежные потоки. Практика показывает: фирмы с высокими ESG-рейтингами легче переживают кризисы и пользуются бóльшим доверием со стороны инвесторов [6].

Заключение

Предсказание того, как будут двигаться деньги и распределяться дивиденды у публичных фирм - это сложная аналитическая задача. Она требует, чтобы человек умел соединять фундаментальный анализ, эконометрические приёмы и знание отраслевых особенностей. Та методология, которую мы разработали на примере ПАО «Сбербанк», показывает: современные подходы к финансовому моделированию вполне применимы в российских реалиях.

В практической части моделирование было нацелено на прогноз дивидендов как части общего денежного потока. Благодаря такому решению удалось наглядно показать предлагаемый подход на одном ограниченном примере. Ценность исследования - в том, что оно обосновывает: классические методы регрессионного анализа можно использовать для прогнозирования в российском банковском секторе, где высокая волатильность и жёсткие требования регулятора. Построенная модель доказывает: даже если объясняющая способность линейной регрессии не идеальна, она всё равно даёт обоснованный прогноз, на основе которого уже можно принимать инвестиционные решения.

Основные выводы, к которым мы пришли:

• Качество прогноза очень сильно зависит от того, насколько исходные данные хороши, и насколько разумны предположения о будущем поведении макроэкономических показателей.

• Комплексный подход (анализ отчётности плюс учёт нормативов регулятора плюс понимание стратегических приоритетов самой компании) обеспечивает более надёжные предсказания.

• Сценарный анализ и стресс-тесты - обязательная часть любой модели, без них невозможно оценить, в каком диапазоне могут оказаться итоговые значения.

• Если регулярно проверять модель (валидировать) и обновлять её по мере поступления свежих данных, она становится гораздо полезнее для инвесторов на практике.

Практическая польза работы состоит в том, что инвесторы и аналитики могут использовать описанную методологию, чтобы оценивать дивидендную привлекательность российских публичных компаний. Сейчас интерес к внутреннему рынку капитала растёт, и тот, кто умеет точно предсказывать дивиденды, получает конкурентное преимущество.

В будущем имеет смысл расширить выборку компаний и посмотреть на другие сектора экономики, разработать отраслевые модели под специфику каждого бизнеса, а также попробовать более современные методы машинного обучения - они могут повысить точность прогнозов. Очень перспективно выглядит создание комплексных платформ для финансового анализа, где в одной экосистеме были бы собраны разные источники данных и аналитические инструменты для принятия решений об инвестициях.

Приложение 1.

Листинг: основные части кода (bank_forecast_polyfit.py)

 

import numpy as np

import matplotlib.pyplot as plt

 

# Исходные данные

years = np.array([2019, 2020, 2021, 2022, 2023, 2024, 2025])

net_profit = np.array([870, 760, 1246, 270, 1508, 1580, 1706])      # млн руб.

dividends_total = np.array([361, 422, 422, 0, 566, 752, 787])       # млн руб.

dividend_per_share = np.array([16.0, 18.70, 18.70, 0.0, 25.0, 33.30, 34.84]) # руб.

 

def predict_2026(x_values: np.ndarray, y_values: np.ndarray, series_name: str):

    """Строит линейную регрессию, выводит уравнение и прогноз на 2026 год,

    строит график с фактическими данными и трендом."""

    coeffs = np.polyfit(x_values, y_values, 1)

    poly = np.poly1d(coeffs)

    forecast_2026 = poly(2026)

 

    print(f"{series_name}:")

    print(f"  Уравнение регрессии: y = {coeffs[0]:.4f} * x + {coeffs[1]:.4f}")

    print(f"  Прогноз на 2026 год: {forecast_2026:.4f}")

    print()

 

    x_fit = np.linspace(x_values.min(), 2026, 100)

    y_fit = poly(x_fit)

 

    plt.figure(figsize=(8, 5))

    plt.scatter(x_values[:-1], y_values[:-1], color='tab:blue', label='Факт (до 2025)')

    plt.scatter(x_values[-1], y_values[-1], color='tab:orange', label='Факт (2025)')

    plt.plot(x_fit, y_fit, color='tab:red', linestyle='--', label='Линейный тренд')

    plt.scatter(2026, forecast_2026, color='green', marker='*', s=150,

                edgecolors='black', linewidths=1.5, label='Прогноз 2026')

 

    plt.xlabel('Год')

    plt.ylabel(series_name)

    plt.title(f'{series_name}: линейная регрессия и прогноз')

    plt.legend()

    plt.grid(True)

    plt.tight_layout()

    plt.show()

 

    return forecast_2026

 

print("=== Прогнозы на 2026 год ===")

profit_2026 = predict_2026(years, net_profit,

                           'Чистая прибыль (млн руб.)')

div_total_2026 = predict_2026(years, dividends_total,

                              'Совокупные дивиденды (млн руб.)')

div_ps_2026 = predict_2026(years, dividend_per_share,

                           'Дивиденд на акцию (руб.)')

1. Dong, Z., & Xu, L. Deep learning for financial forecasting and strategic business optimisation in enterprises / Z. Dong, L. Xu // International Journal of Information and Communication Technology. – 2025. – DOI: 10.1504/ijict.2025.146700, URL: https://www.inderscience.com/info/inarticle.php?artid=146700 (дата обращения: 02.04.2026).
2. Полухина И. В. Проектный анализ денежных потоков и инвестиционных рисков в условиях цифровизации и конкуренции коммерческих организаций / И. В. Полухина // Современная экономика: проблемы и решения. – 2024. – № 7. – С. 70-85. – DOI: 10.17308/meps/2078-9017/2024/7/70-85, URL: https://journals.vsu.ru/meps/article/view/12165 (дата обращения: 02.04.2026).
3. Инструкция Банка России от 29.11.2019 № 199-И (ред. от 06.06.2023) «Об обязательных нормативах и надбавках к нормативам достаточности капитала банков с универсальной лицензией» (Зарегистрировано в Минюсте России 27.12.2019 № 57008) (с изм. и доп., вступ. в силу с 01.07.2025) // Официальный сайт Банка России. – URL: http://cbr.ru/ (дата обращения: 02.04.2026).
4. Московская биржа. Итоги торгов на рынке акций. Статистический бюллетень. 2025. URL: https://www.moex.com/ru/marketdata/ (дата обращения: 02.04.2026).
5. Bukalska E. Dividend Versus Investment – Cash Flow Allocation / E. Bukalska, A. Maziarczyk, K. Ociesa // Journal of Banking and Financial Economics. – 2024. – Vol. 2022, № 18. – P. 94-108. – DOI 10.7172/2353-6845.jbfe.2022.2.7, URL: https://www.researchgate.net/publication/366467531_Dividend_Versus_Investment_-_Cash_Flow_Allocation (дата обращения: 02.04.2026).
6. Теплова Т. В. Влияние ESG-факторов на систематический и специфический риски российских компаний / Т. В. Теплова, Т. В. Соколова, С. Н. Гуров // Journal of Risk and Financial Management. – 2024. – Т. 17, № 4. – Ст. 172. – DOI 10.3390/jrfm17040172, URL:https://www.elibrary.ru/item.asp?edn=lofdks (дата обращения: 02.04.2026).
7. Карпенко В. П. Деловая активность и оценка отечественной банковской системы с позиций концепции VBM / В. П. Карпенко // Экономика. Налоги. Право. – 2018. – № 3. – С. 46-57. – URL: https://cyberleninka.ru/article/n/delovaya-aktivnost-i-otsenka-otechestvennoy-bankovskoy-sistemy-s-pozitsiy-kontseptsii-vbm (дата обращения: 02.04.2026).
8. Официальный сайт ПАО «Сбербанк» : [Электронный ресурс] // ПАО «Сбербанк». URL: https://www.sberbank.com/ru (дата обращения: 02.04.2026).

Комментарии пользователей:

Оставить комментарий