科創(chuàng)板擬上市企業(yè)估值模型與估值水平預(yù)測

文/孫裕策 秦猛猛 韓翔宇，中國礦業(yè)大學(xué)（北京）

1 引言

本文根據(jù) 2009-2018 中國 1500 家上市企業(yè)和世界 2700 家企業(yè)的估值數(shù)據(jù)、基本面數(shù)據(jù)、流動數(shù)據(jù)，首先測算出 2018年中國 A 股市場與美國 NASDAQ 市場的估值溢價水平。第二，對中美市場的估值指標(biāo)與基本面指標(biāo)、流動性指標(biāo)之間的關(guān)系進(jìn)行定量分析，采用熵權(quán)法客觀求出各股對應(yīng)基本面指標(biāo)的評分值和流動性指標(biāo)的評分值，并以此為自變量，以各股市場估值水平為因變量，進(jìn)行多元回歸分析，若擬合度較差，再改用 BP 神經(jīng)網(wǎng)絡(luò)，求出權(quán)值與閾值進(jìn)行定量分析并進(jìn)行對比分析。 第三，采用時間序列分析模型，先對六個二級指標(biāo)進(jìn)行時間序列分析，預(yù)測出 2019年的相關(guān)數(shù)據(jù)，然后利用前面熵權(quán)法已經(jīng)得到的權(quán)重表達(dá)式，由六個二級指標(biāo)的預(yù)測值得出兩個一級指標(biāo)的數(shù)值，完成預(yù)測。第四，根據(jù)上交所公布的 93 家企業(yè)申報科創(chuàng)板上市的相關(guān)數(shù)據(jù)，運(yùn)用時間序列分析模型預(yù)測出科技板市場 2019年的基本面數(shù)據(jù)，代入美國市場的神經(jīng)網(wǎng)絡(luò)模型中，預(yù)測出科創(chuàng)板企業(yè)上市后的估值水平，此外，也將數(shù)據(jù)代入了訓(xùn)練過后的中國神經(jīng)系統(tǒng)模型，將兩種模型得到的預(yù)測值進(jìn)行對比分析，使結(jié)果可靠性大大提升。得到了美國模型的結(jié)果略好于中國模型的結(jié)果，兩者存在一定的差距，說明中國還有較大發(fā)展空間的結(jié)論。

2 模型假設(shè)

1.篩選后的數(shù)據(jù)真實有效。

2.假設(shè)指標(biāo)之相互間影響不顯著。

3.假設(shè)提供的指標(biāo)能較全面地反映基本面指標(biāo)與流動性指標(biāo)。

3 符號說明

t i 時間z 中美估值溢價n 估值水平m 市盈率b 凈利潤v 銷售收入c 估值溢價x ij原始數(shù)據(jù)i=0 為中國，i =1 為美國，j 為第j 個指標(biāo)y ij 歸一化數(shù)據(jù)E ij 信息熵g 基本面指標(biāo)

u 流動性指標(biāo)Y i=0 為中國，i=1 為美國，j=1基本面指標(biāo)，j=2 流動性指標(biāo)ij j 0某指標(biāo)起始數(shù)據(jù)

4 模型建立與求解

4.1 問題一：對中美市場估值溢價求解

4.1.1 估值水平求解

選取平均市銷率作為估值水平，計算 2018年兩市場估值水平可由 2018年平均市銷率來估計，可求得中國 A 股市場估值水平為 4.88，美國市場估值水平為 90.35。

4.1.2 估值溢價（或折價水平）的計算

（1）

圖1 中美近年來估值水平對比圖

（2）中美之間估值溢價

兩者之間估值溢價可由二者估值水平之差求解：z=n1-n2

（3）中美各自估值溢價

Ⅰ模型的建立

估值溢價=預(yù)期收益率-投資必要報酬率

市盈率=股價/每股盈余額

故可用市盈率倒數(shù)表示估值溢價，市盈率=（市銷率/凈利潤）*銷售收入：

各自估值溢價最后表達(dá)式

估值溢價=凈利潤/（市銷率*銷售收入）：

Ⅱ模型的求解

代入數(shù)據(jù)可得中美之間估值溢價為-85.47，即折價水平 85.47。得到各自估值溢價：

中國市場估值溢價 0.017

美國市場估值溢價 0.0011

4.2 問題二：對中美兩個市場各指標(biāo)之間的關(guān)系進(jìn)行定量分析

4.2.1 模型的建立

（1）熵權(quán)法求中美基本面指標(biāo)、流動性指標(biāo)評價值

Step1：：標(biāo)準(zhǔn)化后的數(shù)據(jù)比重的計算：

Step2：各指標(biāo)信息熵的計算

由此可分別得中美市場年度營業(yè)收入、年度歸母凈利潤、年度凈資產(chǎn)收益率的信息熵；可得年度單只股票交易量、年度單只股票交易金額、年度單只股票平均換手率的信息熵，得到基本面指標(biāo)與流動性指標(biāo)的評價值。

Step3：各指標(biāo)權(quán)重的計算

由此得到了各項指標(biāo)在結(jié)果中所占的權(quán)重，指標(biāo)越大，評價分越高。由 matlab 編程得到結(jié)果。

（2）基本面指標(biāo)，流動性指標(biāo)與估值水平的 BP 神經(jīng)網(wǎng)絡(luò)模型

輸入層有 2 個神經(jīng)元，隱含層取七個神經(jīng)元，輸出層一個神經(jīng)元

輸入向量 x 與隱含層輸入向量 hi 為：

輸出層輸出向量 yo，期望輸出向量 do，誤差函數(shù)e為：

采用trainlm函數(shù)進(jìn)行訓(xùn)練得到結(jié)果

得到神經(jīng)網(wǎng)絡(luò)函數(shù)：

4.2.2 模型的求解

（1）基本面指標(biāo)、流動性指標(biāo)熵值法量化求解（程序略）

將給定的標(biāo)準(zhǔn)化數(shù)據(jù)代入熵值法公式進(jìn)行計算，運(yùn)用 matlab 編程得出各指標(biāo)權(quán)重部分。

（2）基本面指標(biāo)、流動性指標(biāo)與估值水平的神經(jīng)網(wǎng)絡(luò)模型求解

Matlab 編程求解，經(jīng)過不斷試驗，隱含層數(shù)為 7，且符合隱含層數(shù)經(jīng)驗公式

訓(xùn)練結(jié)果如下：

圖2 中國 A 股市場訓(xùn)練結(jié)果

可發(fā)現(xiàn)精度為 0.001，可以接受

輸入層到隱含層權(quán)值

Iw：

39.5744 4.7693 24.8793 8.8798 34.2773 12.0005 42.4514 4.8466 25.7665 9.2070-6.8681 10.6393-26.4594 -9.7348

隱含層到輸出層權(quán)值

Lw：

2.1845 5.0375 5.9266 -1.7025 -21.4683 0.0045 -10.0223

圖3 美國市場訓(xùn)練結(jié)果

可發(fā)現(xiàn)精度為 0.001，可以接受

輸入層到隱含層權(quán)值

Iw：

36.8991 -53.7500 109.8878 22.3910 23.2939 -38.1541 23.5440 -38.1312 22.7176 -33.9282-134.4114 -18.0921 119.9217 20.5894

隱含層到輸出層權(quán)值

Lw：

0.2470 -4.2470 5.5060 -6.2176 0.4696 3.1887 7.4301

兩市場對比可發(fā)現(xiàn)，美國輸入層到隱含層平均權(quán)值絕對值較大，為 49 ，中國為 12，中國隱含層到輸出層平均權(quán)值絕對值較大，為 6.52 ，美國為 3?？梢娭忻拦善笔袌龀尸F(xiàn)不同的特點(diǎn)。

4.3 問題三：計算中美兩個市場 2019年的估值指標(biāo)

表1 十年內(nèi)中美市場的六個指標(biāo)

表2 歸一化結(jié)果

4.3.1 模型的準(zhǔn)備

（1）數(shù)據(jù)預(yù)處理

由于后續(xù)的分析中需要用到的兩個市場十年之間的六個二級指標(biāo)的數(shù)值，現(xiàn)采用企業(yè)的平均值來表示，這樣，可以得到美國和中國十年內(nèi)六個指標(biāo)的數(shù)據(jù)。部分見表1。

（2）中美 2019年基本面指標(biāo)和流動性指標(biāo)的時間序列分析模型

時間序列分析有多種算法，本文綜合使用一次指數(shù)平滑法、霍爾特預(yù)測法、ARIMA 模型三種算法進(jìn)行時間序列預(yù)測。

4.3.2 模型的建立與求解

Step.1:

采用 spss 中的時間序列分析模塊進(jìn)行預(yù)測，spss 可以為每一項指標(biāo)的預(yù)測匹配相應(yīng)的的最優(yōu)算法。

結(jié)果分析：

對于中國 2019年六項指標(biāo)的擬合，擬合度都在 0.5 以上，擬合效果良好。

對于美國 2019年六項指標(biāo)的擬合，有極個別指標(biāo)的預(yù)測值偏大，這是由于本次預(yù)測中所采用的的原始數(shù)據(jù)均為每年指標(biāo)的平均值，而美國貧富差距比較大，所以導(dǎo)致數(shù)據(jù)波動較厲害，但為了讓模型更加真實有效，保留這部分?jǐn)?shù)據(jù)。其余指標(biāo)都擬合良好。

Step.2:

將上述數(shù)據(jù)進(jìn)行歸一化處理，見表2。

帶入問題二中運(yùn)用熵權(quán)法的得到的表達(dá)式，可得出 2019年美國和中國的基本面指標(biāo)和流動性指標(biāo)的數(shù)值：

表3 2019年美國和中國的基本面指標(biāo)和流動性指標(biāo)

Step.3：

得到 2019年的基本面指標(biāo)和流動性指標(biāo)后，然后可帶入經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型中，從而預(yù)測出 2019年中國市場和美國市場的估值水平。

表4 2019年中國市場和美國市場的估值水平

需要對結(jié)果進(jìn)行反歸一化處理，公式如下：4.4 問題四 預(yù)測我國首批 93 家科創(chuàng)板企業(yè)上市后的估值水平4.4.1 預(yù)測 2019年科技板基本面指標(biāo)

根據(jù)上交所給出的 93 家科創(chuàng)板企業(yè)在 2016-2018年間的年度營業(yè)收入、年度歸母凈利潤、年度凈資產(chǎn)收益率，可以計算出每一年三項指標(biāo)的均值，以此來表示每一年各個指標(biāo)的總體水平。帶去問題三的時間序列預(yù)測模型中，運(yùn)用 spss 可以得到如下結(jié)果：

表5 科創(chuàng)板 2019年指標(biāo)預(yù)測算法

圖6 各項指標(biāo)的 2019 預(yù)測值

表6 六個指標(biāo)的數(shù)值

4.4.2 預(yù)測估值水平

Step.1:

整理上述結(jié)果可得如下結(jié)果：見表6。

Step.2：通過美國 NASDAQ 市場的估值量化模型預(yù)測科創(chuàng)板

將上述預(yù)測到的 2019年科創(chuàng)板的基本面指標(biāo)和中國 A 股的流動性指標(biāo)進(jìn)行數(shù)據(jù)的歸一化處理，考慮到使用美國的估值量化模型，所以在美國環(huán)境下進(jìn)行歸一化處理，即將數(shù)據(jù)加入 2018年美國企業(yè)各項指標(biāo)的表格中，統(tǒng)一進(jìn)行歸一化。此外，由于中美統(tǒng)計過程中計算單位不一致，需將中國的這三項指標(biāo)同除以進(jìn)率 70000，換算成美元。再進(jìn)行歸一化，見表7。

表11 2019年兩項一級指標(biāo)的數(shù)值

可直接進(jìn)之前訓(xùn)練好的中國神經(jīng)網(wǎng)絡(luò)模型，預(yù)測出相應(yīng)的估值水平。最后結(jié)果需要進(jìn)行反歸一化處理。

表7 歸一化后六個指標(biāo)的數(shù)值

數(shù)據(jù)歸一化后，按熵權(quán)法可得出 2019年兩項一級指標(biāo)的數(shù)值

表8 2019年兩項一級指標(biāo)的數(shù)值

直接將上述數(shù)據(jù)輸入之前訓(xùn)練好的美國神經(jīng)網(wǎng)絡(luò)模型，預(yù)測出相應(yīng)的估值水平。最后結(jié)果需要進(jìn)行反歸一化處理。

表9 科技板估值水平

Step.3：通過中國 NASDAQ 市場的估值量化模型預(yù)測科創(chuàng)板

與上一步驟類似，使用中國的估值量化模型，在中國環(huán)境下進(jìn)行歸一化處理，見表10。

表10 歸一化后六個指標(biāo)的數(shù)值

數(shù)據(jù)歸一化后，按熵權(quán)法可得出 2019年兩項一級指標(biāo)的數(shù)值

表12 科技板估值水平

4.4.3 結(jié)果分析

通過分析可以得出無論運(yùn)用哪種模型進(jìn)行預(yù)測，科技板 2019年上市后的估值水平都將在中等水平附近波動，運(yùn)用美國模型得出的結(jié)果略好于中國模型得到的結(jié)果，兩者存在一定的差距，說明中國的發(fā)展空間還很大，而中國近幾年的經(jīng)濟(jì)形勢呈穩(wěn)定發(fā)展的態(tài)勢，相信在不久的將來，中國市場的估值水平將與美國市場比肩。