배당할인모형
"오늘의AI위키"의 AI를 통해 더욱 풍부하고 폭넓은 지식 경험을 누리세요.
1. 개요
배당할인모형은 미래 배당금의 현재 가치를 통해 주식의 가치를 평가하는 방법이다. 이 모형은 미래 배당 지급액을 현재 가치로 할인하여 모든 미래 배당금의 현재 가치를 합산하여 현재 주가를 계산한다. 배당 수익률과 성장률의 합은 자기자본 비용과 같으며, 성장률이 자기자본 비용보다 낮아야 모형이 유효하다. 배당할인모형은 성장률이 0일 때 배당을 자본화하며, 자본 비용을 추정하는 데에도 사용된다. 하지만, 영구적인 성장률 가정의 비현실성, 무배당 주식 평가의 어려움, 성장률 변화에 따른 주가 민감도 등의 한계가 존재한다. 현금흐름할인법과 같은 관련 방법을 통해 주식의 내재 가치를 평가할 수 있다.
더 읽어볼만한 페이지
- 금융 모형 - 블랙-숄즈 모형
블랙-숄즈 모형은 피셔 블랙과 마이런 숄스가 개발한 옵션 가격 계산 모형으로, 자산 가격 변동의 확률적 분석을 통해 옵션 가격 결정에 기여하며 파생 상품 시장에서 중요한 위치를 차지한다. - 금융 모형 - 블랙-리터만 모형
블랙-리터만 모형은 투자자가 시장에 대한 주관적인 견해와 객관적인 시장 데이터를 결합하여 최적의 자산 배분 전략을 수립하도록 돕는 포트폴리오 이론이다. - 주식시장 - 서킷브레이커 (주식 시장)
서킷브레이커는 주식 시장의 급격한 가격 변동을 막기 위해 도입된 제도로, 지수 하락 시 거래를 일시 중단하거나 종료하는 조치를 통해 투자자에게 냉정을 되찾을 시간을 주지만, 매도세 가속화나 가격 발견 지연의 비판도 존재하며, 한국은 코스피 및 코스닥 지수 하락폭에 따라 3단계로 구분하여 거래를 중단 또는 종료하는 제도를 운영하고 선물 시장에는 사이드카 제도를 병행하고 있다. - 주식시장 - 내부자 거래
내부자 거래는 상장 회사 관계자가 미공개 정보를 이용하여 유가 증권을 거래하는 불법 행위로, 여러 국가에서 규제되고 있으며, 정보 비대칭성, 규제의 실효성 등 쟁점을 야기한다. 
| 배당할인모형 | |
|---|---|
| 개요 | |
| 명칭 | 배당 할인 모형 | 
| 영문명 | Dividend Discount Model (DDM) | 
| 유형 | 주식 평가 모형 | 
| 목적 | 주식의 이론적 가치 평가 | 
| 기본 원리 | 주식의 가치는 미래에 예상되는 배당금의 현재 가치 합과 동일하다는 가정에 기반함. | 
| 적용 | 안정적인 배당 지급 이력이 있는 기업 예측 가능한 배당 성장률을 보이는 기업  | 
| 창시자 | 마이런 J. 고든 | 
| 모형의 종류 | |
| 종류 | 영구 성장 모형 (Gordon Growth Model) 다단계 성장 모형 (Multi-stage Growth Model) H-모형 (H-Model)  | 
| 영구 성장 모형 (Gordon Growth Model) | |
| 가정 | 배당금이 일정 비율로 영구히 성장 | 
| 공식 | P = D1 / (r - g) (P: 주가, D1: 다음 해 예상 배당금, r: 요구 수익률, g: 배당 성장률) | 
| 장점 | 간단하고 이해하기 쉬움. | 
| 단점 | 배당 성장률이 요구 수익률보다 클 경우 모형 적용 불가. 기업의 가치를 지나치게 단순화할 수 있음.  | 
| 다단계 성장 모형 (Multi-stage Growth Model) | |
| 가정 | 배당 성장률이 여러 단계에 걸쳐 변동 | 
| 특징 | 초기 고성장 단계를 반영 최종적으로 안정적인 성장률로 수렴  | 
| 장점 | 현실적인 시나리오 반영 가능. | 
| 단점 | 모형 복잡성 증가. | 
| H-모형 (H-Model) | |
| 가정 | 배당 성장률이 초기 고성장률에서 선형적으로 감소 최종적으로 안정적인 성장률로 수렴  | 
| 특징 | 성장률 변화를 보다 현실적으로 반영 | 
| 장점 | 다단계 모형의 복잡성을 완화 | 
| 단점 | 선형 감소 가정의 한계 | 
| 장점 및 단점 | |
| 장점 | 직관적이고 이해하기 쉬움. 배당 정책의 변화가 주가에 미치는 영향 분석 가능.  | 
| 단점 | 배당을 지급하지 않는 기업에는 적용 불가. 배당 성장률 예측의 어려움. 요구 수익률 추정의 주관성.  | 
| 기타 고려 사항 | |
| 민감도 분석 | 요구 수익률 및 배당 성장률 변화에 따른 주가 변동폭 분석 모형 결과의 신뢰성 검증  | 
| 현금 흐름 할인 모형 (DCF)과의 비교 | 배당 할인 모형은 배당금에 초점 현금 흐름 할인 모형은 기업 전체의 현금 흐름에 초점  | 
| 한계점 극복 방안 | 다양한 시나리오 분석 다른 평가 모형과 병행 사용  | 
2. 방정식의 유도
이 모형은 (이산) 시간 에서의 배당 지급액 의 현재 가치가 라는 사실을 이용하며, 따라서 모든 미래 배당 지급액의 현재 가치, 즉 현재 가격 는 다음과 같은 무한 급수의 합과 같다. 
DDM 방정식은 주식의 총 수익이 소득과 자본 이득의 합과 같다는 것을 나타낸다.[5] 
첫 번째 방정식에서 는 음수가 될 수 없다. 단기적으로 성장률이 자기자본비용을 초과할 것으로 예상될 경우 일반적으로 2단계 배당할인모형이 사용된다. 
배당할인모형에서 성장률 ''g''가 0일 때, 배당은 자본화된다. 
배당할인모형에는 다음과 같은 단점들이 지적되었다.
:
이 합계는 다음과 같이 다시 쓸 수 있다.
:
여기서
:
괄호 안의 급수는 공비가 인 기하 급수이므로, 이면 로 합산된다. 따라서,
: 
의 값을 대입하면,
: 
가 되고, 을 곱하여 간소화하면,
:
가 된다.
3. 소득과 자본 이득의 관계
:를 재정렬하면 이 된다.
따라서 배당 수익률 과 성장률 의 합은 자기자본 비용 과 같다.
DDM 모델의 배당 성장률을 수익 성장의 대리 변수, 더 나아가 주가 및 자본 이득의 대리 변수로 간주한다. DDM의 자기자본 비용을 투자자가 요구하는 총 수익의 대리 변수로 간주한다.[5]
:
4. 성장률과 자기자본 비용의 관계
:
따라서,
:
여기서 는 단기 예상 성장률을 나타내고, 는 장기 성장률을 나타내며, 은 단기 성장률이 적용되는 기간(연도 수)을 나타낸다.
''g''가 ''r''에 매우 근접할 때조차 P는 무한대에 가까워지므로, 이 모형은 무의미해진다.
5. 모형의 특징
:.
이 방정식은 에 대해 풀어서 자본 비용을 추정하는 데에도 사용된다.
:.
이는 고든 성장 모형 (또는 수익률 플러스 성장 모형)의 공식과 동일하다.
: = 
여기서 “”는 현재 주식 가치를 나타내고, “”은 현재 시점으로부터 1년 후의 주당 예상 배당금을 나타내며, “g”는 배당금의 성장률을 나타내고, “k”는 주식 투자자가 요구하는 수익률을 나타낸다.
6. 모형의 한계
7. 관련 방법
현금흐름할인법을 사용하면 예상되는 미래 배당금과 보유 기간 종료 시점의 예상 매각 가격을 모두 포함하여 주식의 내재 가치를 계산할 수 있다. 내재 가치가 주식의 현재 시장 가격을 초과하면, 해당 주식은 매력적인 투자 대상이다.[6]
참조
[1] 
서적
 
Essentials of Investments
 
McGraw-Hill Irwin
 
2010
 
[2] 
웹사이트
 
Investopedia – Digging Into The Dividend Discount Model
 
http://www.investope[...] 
[3] 
간행물
 
Capital Equipment Analysis: The Required Rate of Profit
 
Free Press of
 
1956-10
 
[4] 
논문
 
Dividends, Earnings and Stock Prices
 
The MIT Press
 
[5] 
웹사이트
 
Spreadsheet for variable inputs to Gordon Model
 
http://www.retailinv[...] 
2011-12-28
 
[6] 
서적
 
Essentials of Investments
 
McGraw-Hill Irwin
 
2010
 
                        
                        본 사이트는 AI가 위키백과와 뉴스 기사,정부 간행물,학술 논문등을 바탕으로 정보를 가공하여 제공하는 백과사전형 서비스입니다. 
                        모든 문서는 AI에 의해 자동 생성되며, CC BY-SA 4.0 라이선스에 따라 이용할 수 있습니다.
                        하지만, 위키백과나 뉴스 기사 자체에 오류, 부정확한 정보, 또는 가짜 뉴스가 포함될 수 있으며, AI는 이러한 내용을 완벽하게 걸러내지 못할 수 있습니다. 
                        따라서 제공되는 정보에 일부 오류나 편향이 있을 수 있으므로, 중요한 정보는 반드시 다른 출처를 통해 교차 검증하시기 바랍니다.
                        
                        문의하기 : help@durumis.com