Local EPUB Text
控制不同公司间的差异
无论我们怎样谨慎构建可比公司的名单，最终都会得到与被估值公司存在各种差异的公司。这些差异在某些变量上可能很小，而在其他变量上则有可能相去甚远；为此，我们不得不在相对估值法中控制这些差异带来的影响。在下面的内容中，我们将讨论三种解决这个问题的思路。
主观调整
在相对估值法中，我们首先要面对如下两个选择：分析中使用的倍数以及可比公司的群组。在很多相对估值过程中，分析师需要逐个计算出每家可比公司的倍数，而后再得到它们的平均值。然后，为了对个别公司进行估值，分析师就需要将目标公司的交易倍数与之前得到的平均值进行比较。如果差异显著，分析师就需要对公司的个别特征（增长率、风险或现金流）是否足以解释差异做出主观判断。因此，在行业平均市盈率只有15的时候，即使一家公司拥有22倍的市盈率，分析师依旧可以认为，这种差异是合理的，因为公司的增长潜力高于行业平均水平。如果分析师的判断是倍数化的差异无法由基本面因素做出解释，那么就可以认为这家公司被视为高估（如倍数高于行业平均水平）或低估（如果倍数低于行业平均水平）。
这种方法的缺点并不在于需要由分析师做出主观判断，而是在于这种判断在很大程度上有赖于毫无依据的猜测，而这些判断又往往反映了他们对目标公司的偏见。
修正倍数
在这种方法中，我们通过修改倍数以充分考虑决定该倍数的重要变量——伴随变量。例如，分析师在对增长率差异较大的诸多公司进行比较之后，通常会以市盈率除以预期的每股收益增长率，从而得到按增长率调整后的市盈率（PEG比率）。然后，对拥有不同增长率的公司按市盈率增长率进行比较，以发现被低估或是被高估的公司。
当使用调整倍数时，我们实际上是做出了两个隐含性假设。首先，除被控标准以外，这些公司在其他所有价值衡量标准上均具有可比性。换句话说，在比较各公司的PEG比率时，我们假设这些公司都具有相同的风险。另一个通常采取的假设是，倍数和基本面要素之间维持线性关系。不妨再次用PEG比率说明这一点，按照这个假设，如果增长率加倍，那么市盈率也将翻番。如果这个假设不能成立，且市盈率与增长率不成比例，那么，如果按PEG比率判断，拥有高增长率的公司看起来就是被低估的。
◎案例4-1 不同饮料公司的市盈率及增长率比较——2004年1月
表4-5显示了部分饮料类企业未来5年的市盈率和每股盈利预期增长率，相关数据均采用分析师的一致性估计。
表4-5 饮料行业的市盈率及每股盈利预期增长率
资料来源：《价值线》数据库。
如果按相对估值法考虑，安德烈斯葡萄酒有限公司是否被低估呢？实际上，只需对倍数做简单判断即可验证我们这个结论，因为它的市盈率只有8.96，明显低于行业平均水平。
在进行这次比较时，我们假设安德烈斯葡萄酒有限公司的增长性和风险特征与该行业平均水平相近。使用增长率进行比较的方法之一，就是计算表中最后一列的PEG比率。按照行业的平均PEG比率为2.00以及安德烈斯葡萄酒有限公司的预计增长率，我们可以得到公司的如下市盈率数值：
市盈率=2.00%×3.50%=7.00
尽管PE很低，但是根据这个调整后的PE，安德烈斯葡萄酒有限公司的估值似乎过高。尽管这种调整方法似乎可以轻松解决企业之间的差异问题，但只有在各公司的风险对等时，结论才是成立的。因此，这种方法实际上是隐含性地假设增长率与PE之间呈线性关系。
统计技术
当倍数与决定它们的基本变量之间存在复杂的关系时，主观调整和修正倍数很难奏效。出现这种情况时，一些统计技术可以为我们带来希望。本节将着重考虑这些统计方法的优点及其潜在问题。
行业回归。在回归法中，我们试图以影响因变量的自变量来解释因变量。实际上，我们就是在做相对估值——使用基本变量（如风险、增长率和现金流）来解释各公司之间的倍数（市盈率、EV/EBITDA）差异。与主观调整相比，回归分析具有三个方面的优势：
·回归分析的结果有助于我们衡量倍数与所采用变量之间的关系有多强。因此，如果我们认为高成长公司具有较高的市盈率，那么通过回归分析，我们就应该认识到增长率和市盈率之间存在怎样的关系（以增长率相关系数为自变量）以及这种关系有多强（通过t统计量和拟合系数R2）。
·如果倍数和基本面要素之间的关系是非线性的，那么可以对回归分析加以修正，以体现这种关系。
·不同于只控制一个变量差异的修正倍数方法，我们可以扩展回归分析，以考虑多个变量甚至是这些变量之间的交叉影响。
一般来说，回归分析似乎更适合于相对估值项目，以便于处理大量繁杂甚至是相互矛盾的数据。在进行行业回归时，我们需要解决两个关键问题：
·第一个问题涉及我们如何定义这个行业。如果我们界定的行业范围过于狭窄，就有可能面临样本量太小的风险，从而削弱了回归的有效性，而扩大行业界定范围则意味着较少的风险。在这种情况下，尽管公司之间可能会存在较大差异，但我们可以在回归中人为控制这些差异。
·第二个问题涉及我们在回归中使用的自变量。在统计学的教学中，我们强调的是增加回归分析的解释能力（通过R2），并纳入任何有助于实现这个目标的变量，但是在相对估值法的回归分析中，我们强调的则是缩小关注范围。因为我们的目标不是要解释各公司价格之间的全部差异，而只是确定可以通过基本面要素解释的那部分差异，因此，我们只采用与这些基本面要素相关的变量。我们在前述章节使用DCF模型分析倍数时，应该可以得到有价值的启发。在这里，我们不妨以市盈率为例。考虑到市盈率是由股息支付率、预期增长率和风险共同决定的，因此，我们在回归分析中只包含这三个变量。至于其他变量，只要没有基本面原因能说明它们和市盈率有关，纵然有可能提高解释力，我们也不会在回归中增加这些变量。
◎案例4-2 饮料行业的行业回归分析
市盈率是预期增长率、风险和股息支付率的函数。在饮料行业，没有任何企业支付大量股息，这是它们的相同之处，但它们在风险和成长方面各不相同。表4-6汇总了饮料行业上市公司的市盈率、贝塔系数和预期增长率。
表4-6 饮料公司的市盈率、增长率和风险
资料来源：《价值线》数据库。
由于这些公司在风险和预期增长方面各不相同，因此，我们针对两个变量进行了市盈率回归分析：
括号中的数字为t统计量，它表明，在上述回归分析中，市盈率与两个变量之间的关联性具有统计上的显著性。拟合系数R2表示PE差异中可以由自变量解释部分的百分比。最后，回归分析[1]本身可用来预测列表中公司的市盈率。因此，根据其标准差35.51%和预期增长率19%，可口可乐的预测性市盈率如下：
可口可乐的预测市盈率=20.87-63.98×0.3551+183.24×0.19=32.97
由于可口可乐的实际市盈率为44.33，这表明，根据同行业其他公司的定价水平，可口可乐的股票价值已被高估。
如果假设PE和增长率之间的关系为非线性的，那么我们可以运行非线性回归，或是通过修正回归变量以提高两者之间的线性程度。例如，在前面的回归分析中使用增长率对数而不是增长率，会产生更接近于线性的关系。
市场回归。在企业所在行业内寻找可比公司是非常困难的，尤其是在行业内企业数量较少或者目标公司的业务涉及若干行业时，要找到可比公司就更加困难了。按照可比公司的定义，其范围并非一定属于同一行业，而是与目标企业具有相同增长率、风险和现金流特征的企业。因此，我们无须将可比公司的选择限定在同行业内。按照上一节中介绍的回归方法，对于造成不同公司出现倍数差异的变量，我们可以控制这些变量本身的差异。根据决定每个倍数的变量，我们应该能按影响各倍数的变量对该倍数进行回归，表4-3列示了决定各倍数的要素，以此为出发点，我们对2017年1月的每个倍数进行全市场范围的回归，分析结果归纳在表4-7中，其中系数下面的括号内为t统计量。
表4-7 针对美国企业倍数的全市场回归分析——2017年1月
注：g=未来5年的EPS预期增长率（分析师预测）；
股息支付率=股息/利润；
在倍数的差异中，由自变量可解释的比例因倍数的不同而有所不同，账面价值和收入倍数通常比收益倍数有更高的R2统计值，因而拟合性更好。但我们用来衡量风险（贝塔系数及债务/资本）、成长性（每股收益的预期增长率）和现金流（股息支付率和再投资率）的变量不可能完美无缺，而且与倍数之间的关系也不是线性的。为解决这些制约因素，我们可以在回归中增加更多的变量，并尝试使用非线性回归分析。
与上一节介绍的对同一行业的企业进行“主观”性比较相比，这种全市场范围的回归技术确实有自己的优势。首先，它可以根据市场的实际数据，对高成长性或高风险可能给倍数造成的影响程度予以量化。诚然，这些估计也会包含错误，但这些偏差恰恰体现了很多分析师在进行主观判断时刻意规避的一个现实。其次，这种考察的是市场中的所有公司，因而能让我们对企业数量相对较少的行业进行更有意义的比较。最后，通过评估目标公司相对市场上其他企业的价值，我们可以判断这些公司是被低估还是高估，从而检验行业中的所有公司是否均处于被低估或高估的状态。
统计技术的局限性。统计技术只是对估值研究或是定性分析的补充，而不是彻底取代后者。它们是所有分析师都应学会使用的工具，但它们毕竟只是工具。尤其是在对倍数使用回归技术时，我们必须掌握本章前面提到的倍数分布特性，以及回归中所采用的自变量之间的关系。
·在使用标准回归技术时，倍数不服从正态分布这一事实很可能会带来问题。这些问题会因为样本规模过小而加剧，即分布的非对称性会因少数严重异常数值的存在而被放大。
·在针对倍数的回归中，自变量本身应该是相互独立的。但不妨考虑一下我们用来解释估值倍数的自变量——现金流潜力或股息支出率、预期增长率和风险。在某个行业和整个市场中，高成长企业更有可能对应于高风险和低股息支付率，这一点是显而易见的。自变量之间的这种相关性会导致“多重共线性”问题，从而削弱回归分析的解释力。
·在本章前面的讨论中，我们曾提到倍数分布会随着时间的推移而如何改变的问题，它会导致PE倍数或EV/EBITDA倍数的跨期比较出现问题。同样，在倍数回归中，我们可以解释不同公司在任何时点上存在的某个倍数差异，但随着时间的推移，这种解释必然会失去预测能力。因此，以2008年年初增长率为基础进行的PE回归，可能对2009年年初的股票估值并无意义。
·最后一点需要提醒的是，在针对相对估值进行的回归分析中，拟合系数R2几乎不会高于70%，该系数通常会下降至30%或35%，因此我们没有必要强调多高的R2才有意义，相反，我们更应该强调回归分析本身的预测能力。当R2下降时，回归的预测范围将会扩大。比如说，对饮料行业进行回归（最后一列）得到的市盈率预测值为32.97，但是按51%的拟合系数R2，我们以95%的可信度得到27.11~38.83这样一个预测范围。如R2更高，上述预测范围会进一步收缩。
[1] 这里描述的两种方法均假定，倍数和影响价值的变量之间存在线性关系。因为事实并非一贯如此，因此，我们可能还需要使用这些非线性回归方法。