企业估值（Business Valuation）是投资分析、并购交易、融资决策的基石。它回答一个核心问题：一家企业到底值多少钱？ 估值结果直接影响并购定价、股权融资比例、投资决策和税务处理。无论是收购方、被收购方、投资者还是公司管理层，掌握估值方法都是必备技能。
三大主流估值体系——绝对估值法（以 DCF 为代表）、相对估值法（可比公司、先例交易）和资产基础法——各有适用场景和局限性。实践中，分析人员通常使用多种方法交叉验证，形成"足球场图"（Football Field）来确定合理估值区间。
估值的本质是对未来经济利益的折现。无论采用何种方法，最终都在回答同一问题：持有这项资产未来能产生多少收益，这些收益在今天值多少钱？
其中 是第 期的预期现金流， 是折现率（反映风险）， 是预测期。
举个直观的例子：假设一个项目明年能确定带来 110 万元回报，而无风险投资的年化收益率为 10%，那么这个项目今天的价值就是 万元。这就是折现的核心思想——未来的 1 元不等于今天的 1 元。
了解估值方法的演进有助于理解其适用边界：
| 时期 | 代表人物/里程碑 | 主要方法 | 核心突破 |
|---|---|---|---|
| 1930s | Benjamin Graham | 资产基础法、净流动资产法 | 提出"安全边际"概念 |
| 1958 | Modigliani & Miller | 资本结构无关论 | MM 定理，奠定 DCF 理论基础 |
| 1964 | William Sharpe | CAPM 模型 | 将风险与回报量化连接 |
| 1970s | Myron Gordon | 股利折现模型（DDM） | 永续增长模型 |
| 1980s | LBO 浪潮兴起 | LBO 估值 | 杠杆收购估值框架 |
| 1990s | McKinsey | DCF 标准化 | 企业价值评估成为行业标准 |
| 2000s-至今 | Damodaran | 综合估值框架 | 结合期权、ESG、新兴市场 |
| 方法 | 核心逻辑 | 适用场景 | 关键输入 | 局限 |
|---|---|---|---|---|
| 现金流折现（DCF） | 预测自由现金流并折现 | 现金流可预测的成熟企业 | FCF、WACC、增长率 | 假设敏感度高 |
| 可比公司法 | 参考同类上市公司定价 | 有大量可比公司 | 市值、财务指标、倍数 | 市场可能失效 |
| 先例交易法 | 参考类似并购交易定价 | 并购交易定价 | 交易价格、溢价、倍数 | 交易样本可能不足 |
| 资产基础法（NAV） | 重置或清算资产价值 | 资源型、投资型企业 | 资产账面值、评估值 | 忽略无形资产和协同效应 |
实践中，不同行业有主流偏好：
| 行业 | 首选方法 | 次要方法 | 关键驱动因素 |
|---|---|---|---|
| 消费品 | DCF | P/E 可比 | 品牌价值、市场份额 |
| 科技/SaaS | EV/Revenue | DCF | 增长率、客户LTV |
| 银行/保险 | P/B | DDM | 净资产、不良率 |
| 房地产 | NAV/FFO | P/B | 资产估值、出租率 |
| 能源/矿产 | NAV | EV/EBITDA | 储量、资源价格 |
| 基础设施 | DCF | EV/EBITDA | 特许经营权、现金流稳定性 |
| 生物医药 | rNPV | P/E（如有盈利） | 管线成功率、市场峰值 |
| 电商 | EV/GMV | EV/Revenue | GMV、take rate |
生物医药 rNPV 示例：一款新药 DCF 估值为 30 亿元，考虑临床II期成功概率 35%，则 rNPV = （后续研发成本）= 5.5 亿元。
DCF 是理论上最完善的估值方法，因为它直接反映企业内在价值——即企业生命周期内产生的全部自由现金流按风险调整后折现的现值。
企业价值（Enterprise Value）：
其中：
其中 为息税前利润， 为税率， 为折旧摊销， 为资本支出， 为营运资本变动。
假设 "稳健科技" 2025 年财务数据如下：
| 项目 | 金额（亿元） |
|---|---|
| EBIT | 12.0 |
| 所得税率 | 25% |
| 折旧与摊销 | 2.0 |
| 资本支出 | 3.0 |
| 营运资本增加 | 1.2 |
代入公式：
估值初学者最容易犯错的地方在于 FCFF 计算的每个环节。以下是一个从收入出发的完整计算模板：
| 项目 | 计算公式 | 金额（亿元） |
|---|---|---|
| 营业收入 | 给定 | 50.0 |
| 营业成本 | - | (30.0) |
| 毛利润 | 收入 - 成本 | 20.0 |
| 销售及管理费用 | - | (5.0) |
| EBITDA | 毛利 - 管理费用 | 15.0 |
| 折旧摊销 | 给定 | (2.0) |
| EBIT | EBITDA - D&A | 13.0 |
| 利息费用 | 给定 | (1.5) |
| 税前利润 | EBIT - 利息 | 11.5 |
| 所得税 | 税前利润 × 25% | (2.875) |
| 净利润 | 税前利润 - 税 | 8.625 |
但 FCFF 不需要从净利润出发。直接从 EBIT 计算更简洁：
💡 经验法则：成熟企业 FCFF/EBITDA 比率通常在 40-60% 之间。如果某年该比率异常（如 >80%），可能是 CapEx 异常低，需警惕产能不足风险。
其中：
其中 为无风险利率， 为系统性风险系数， 为市场风险溢价。
假设 "稳健科技" 的资本结构如下：
| 参数 | 数值 | 说明 |
|---|---|---|
| 无风险利率 | 2.8% | 10 年期国债收益率 |
| 1.15 | 行业平均杠杆 | |
| 市场风险溢价 | 5.5% | A 股长期历史数据 |
| 股权成本 | CAPM 计算结果 | |
| 债务成本 | 4.5% | 公司信用评级对应的借贷利率 |
| 所得税率 | 25% | 企业所得税 |
| 股权比例 | 65% | 市场市值占比 |
| 债务比例 | 35% | 有息债务占比 |
| 参数 | 确定方法 | 常见数据源 |
|---|---|---|
| 无风险利率 | 10 年期国债收益率 | 央行网站、Bloomberg |
| （去杠杆） | Capital IQ、Wind | |
| 市场风险溢价 | 历史超额收益 + 隐含溢价 | Damodaran 数据库、AERF |
| 股权成本小公司溢价 | 在 CAPM 结果上加 2-6% | Ibbotson 研究 |
| 债务成本 | 信用评级对应利率 + 信用利差 | S&P/CICC 债券收益率 |
| 目标资本结构 | 可比公司中位数 | Wind、Bloomberg |
如果可比公司 = 1.25，D/E = 40%，税率 = 25%：
目标公司 D/E = 30%，则再杠杆：
终值通常占 DCF 估值的 60-80%，是 DCF 中最敏感的参数。
Exit Multiple 通常参考当前可比公司的 EV/EBITDA 中位数
假设 "稳健科技" 第 5 年 FCF 为 8.5 亿元，永续增长率 ，WACC = 7.11%：
永续增长法：
退出倍数法： 假设第 5 年 EBITDA 为 14 亿元，可比公司 EV/EBITDA 中位数 12×：
两种方法的结果差异显著（213 vs 168），这正是交叉验证的重要性。
| WACC | = 2.0% | = 2.5% | = 3.0% | = 3.5% |
|---|---|---|---|---|
| 6.5% | 68% | 71% | 75% | 80% |
| 7.0% | 66% | 69% | 73% | 78% |
| 7.5% | 64% | 67% | 71% | 76% |
| 8.0% | 61% | 64% | 68% | 73% |
⚠️ 经验规则：如果终值占 DCF 总值的比例超过 80%，意味着预测期太短或假设过于激进。建议延长显式预测期或检查 的合理性。
假设 "稳健科技" 的预测数据如下：
| 年份 | 第1年 | 第2年 | 第3年 | 第4年 | 第5年 |
|---|---|---|---|---|---|
| EBIT（亿元） | 12.0 | 13.2 | 14.5 | 16.0 | 17.6 |
| EBIT×(1-25%) | 9.0 | 9.9 | 10.9 | 12.0 | 13.2 |
| + 折旧摊销 | 2.0 | 2.2 | 2.4 | 2.6 | 2.9 |
| - 资本支出 | 3.0 | 3.2 | 3.4 | 3.6 | 3.8 |
| - 营运资本增加 | 1.2 | 1.3 | 1.4 | 1.5 | 1.6 |
| FCFF | 6.8 | 7.6 | 8.5 | 9.5 | 10.7 |
| 折现因子（WACC=7.11%） | 0.934 | 0.872 | 0.814 | 0.760 | 0.710 |
| FCFF 现值 | 6.35 | 6.63 | 6.92 | 7.22 | 7.60 |
现值合计（5年）： 亿元
终值（永续增长法）：
终值现值： 亿元
企业价值 EV： 亿元
股权价值： 亿元
其中净债务 = 总债务 35 亿 - 现金 12 亿 = 23 亿。
单一预测假设往往是错误的。优秀的估值分析师至少会构建三套情景：
| 情景 | 关键假设 | 5年FCFF CAGR | 永续增长率 | EV（亿元） | 概率权重 |
|---|---|---|---|---|---|
| 乐观 | 市场份额提升，毛利率扩张 | 15% | 3.5% | 312 | 20% |
| 基准 | 行业正常增速 | 10% | 3.0% | 225 | 60% |
| 悲观 | 行业竞争加剧 | 5% | 2.0% | 148 | 20% |
加权平均 EV： 亿元
当不确定性较高时，可以进一步使用蒙特卡洛模拟。考虑以下三个关键变量的分布：
| 变量 | 分布类型 | 均值 | 标准差 | 最小值 | 最大值 |
|---|---|---|---|---|---|
| WACC | 正态分布 | 7.11% | 0.5% | - | - |
| 永续增长率 | 三角分布 | 3.0% | - | 2.0% | 4.0% |
| 第1年 FCFF | 正态分布 | 6.8 | 0.8 | - | - |
模拟 10,000 次后，估值结果的分布如下：
| 分位点 | EV（亿元） | 含义 |
|---|---|---|
| 5% | 148 | 95% 概率高于此 |
| 25% | 186 | 75% 概率高于此 |
| 中位数 | 228 | 基准估计 |
| 75% | 278 | 25% 概率高于此 |
| 95% | 356 | 5% 概率高于此 |
这种概率化方法比单一点估计提供了更全面的风险画像。
DCF 对假设高度敏感。以下表格展示了 WACC 和永续增长率 的变化对企业价值的影响：
| \textbackslash WACC | 6.0% | 6.5% | 7.11% | 7.5% | 8.0% |
|---|---|---|---|---|---|
| 2.0% | 273 | 221 | 182 | 155 | 131 |
| 2.5% | 329 | 261 | 210 | 176 | 146 |
| 3.0% | 415 | 318 | 225 | 205 | 166 |
| 3.5% | 562 | 409 | 298 | 245 | 195 |
| 4.0% | 870 | 577 | 319 | 306 | 237 |
💡 当 WACC 变化 ±0.5% 时，估值波动可达 15-25%；当 变化 ±0.5% 时，估值波动可达 18-40%。这解释了为什么 DCF 需要与相对估值法交叉验证。
| WACC - | 乘数效应（TV/FCF） | 风险水平 |
|---|---|---|
| 6.0% | 16.7× | 保守 |
| 5.0% | 20.0× | 适中 |
| 4.0% | 25.0× | 偏高 |
| 3.0% | 33.3× | 高风险 |
| 2.0% | 50.0× | 极危险 |
| 1.0% | 100.0× | 不可靠 |
经验规则：如果 WACC - 小于 2.0%，估值结果可靠性大幅下降，强烈建议改用退出倍数法验证。
以下是一个简化的 DCF 计算函数，可在实际工作中快速原型验证：
import numpy as np
def dcf_valuation(fcf_projections, wacc, terminal_g, debt, cash, shares):
"""
简化版 DCF 估值模型
参数:
fcf_projections: list of float，N年FCFF预测
wacc: float，加权平均资本成本
terminal_g: float，永续增长率
debt: float，总债务
cash: float，现金及等价物
shares: float，总股本（亿股）
返回:
dict，含EV、股权价值、每股价值、终值占比
"""
n = len(fcf_projections)
# 折现每年的FCFF
pv_fcf = []
for t, fcf in enumerate(fcf_projections, 1):
pv = fcf / (1 + wacc) ** t
pv_fcf.append(pv)
pv_fcf_total = sum(pv_fcf)
# 终值（永续增长法）
last_fcf = fcf_projections[-1]
terminal_value = last_fcf * (1 + terminal_g) / (wacc - terminal_g)
pv_terminal = terminal_value / (1 + wacc) ** n
# 企业价值和股权价值
ev = pv_fcf_total + pv_terminal
equity_value = ev - (debt - cash)
per_share = equity_value / shares
# 终值占比
terminal_ratio = pv_terminal / ev
return {
"pv_fcf_total": round(pv_fcf_total, 1),
"pv_terminal": round(pv_terminal, 1),
"ev": round(ev, 1),
"equity_value": round(equity_value, 1),
"per_share": round(per_share, 2),
"terminal_ratio": round(terminal_ratio * 100, 1)
}
# 稳健科技示例
result = dcf_valuation(
fcf_projections=[6.8, 7.6, 8.5, 9.5, 10.7],
wacc=0.0711,
terminal_g=0.03,
debt=35,
cash=12,
shares=10
)
print(result)
# 输出: {'pv_fcf_total': 34.7, 'pv_terminal': 190.4, 'ev': 225.1,
# 'equity_value': 202.1, 'per_share': 20.21, 'terminal_ratio': 84.6}
# 敏感性矩阵生成
import pandas as pd
def sensitivity_matrix(wacc_range, g_range, fcf_list):
results = {}
fcf_last = fcf_list[-1]
n = len(fcf_list)
for w in wacc_range:
row = {}
for g in g_range:
pv_fcf = sum(f / (1+w)**t for t, f in enumerate(fcf_list, 1))
tv = fcf_last * (1 + g) / (w - g)
pv_tv = tv / (1 + w) ** n
ev = pv_fcf + pv_tv
row[g] = round(ev, 0)
results[f"{w*100:.1f}%"] = row
return pd.DataFrame(results).T
matrix = sensitivity_matrix(
wacc_range=[0.06, 0.065, 0.0711, 0.075, 0.08],
g_range=[0.02, 0.025, 0.03, 0.035, 0.04],
fcf_list=[6.8, 7.6, 8.5, 9.5, 10.7]
)
print(matrix)
可比公司法通过比较目标公司与类似上市公司的估值倍数来估算其价值。其假设是：具有相似特征的公司应有相似的估值水平。
适用： 盈利稳定、资本结构相似的公司。
局限： 亏损公司无法使用；盈利易被会计政策操纵。
数值案例：假设可比公司平均 P/E = 18×，"稳健科技" 净利润 8 亿元，则：
优点： 不受资本结构和税率影响，是最常用的跨公司比较指标。
数值案例：可比公司平均 EV/EBITDA = 12×，"稳健科技" EBITDA = EBIT + D&A = 12 + 2 = 14 亿元：
适用： 高增长但尚未盈利的 SaaS、生物科技等公司。
| 场景 | 典型 EV/Revenue 区间 |
|---|---|
| 高增长 SaaS（>30%） | 8×-15× |
| 中增长 SaaS（15-30%） | 4×-8× |
| 低增长 SaaS（<15%） | 2×-4× |
| 传统软件 | 1×-3× |
适用： 亏损或微利但收入规模可观的公司，如早期SaaS、电商平台、生物医药等。
与 EV/Revenue 的区别：
| 对比维度 | P/S（市销率） | EV/Revenue |
|---|---|---|
| 分子 | 股权市值 | 企业价值（市值+净债务） |
| 受资本结构影响 | 是（负债高则P/S偏低） | 否 |
| 适用场景 | 简单快速比较 | 跨资本结构比较 |
| 常用市场 | A股、美股散户分析 | 投行、机构并购估值 |
数值案例： 某SaaS公司股价 50 元，总股本 2 亿股，年收入 20 亿元：
若同行业可比公司平均 P/S = 8×，则隐含目标市值 = 亿元，对应目标股价 = 元。
P/S 的驱动因素与合理区间：
| 因素 | 对 P/S 的影响 | 说明 |
|---|---|---|
| 收入增长率 | ↑ 正相关 | 增长30%+的公司通常 P/S > 10× |
| 毛利率 | ↑ 正相关 | 高毛利意味着收入质量高 |
| 净利润率 | ↑ 正相关 | 最终要转化为利润 |
| 收入持续性 | ↑ 正相关 | 订阅制 > 项目制 > 一次性 |
| 行业竞争 | ↓ 负相关 | 竞争激烈压缩未来利润空间 |
| 公司类型 | 典型 P/S 区间 | 关键假设 |
|---|---|---|
| 高成长 SaaS（ARR增长>50%） | 15×-40× | 远期净利润率可达20-30% |
| 中成长 SaaS（ARR增长20-50%） | 8×-15× | 规模化后利润率改善 |
| 电商平台（成熟） | 2×-5× | 低毛利，高周转 |
| 传统软件（许可证） | 3×-6× | 增长缓慢，现金流稳定 |
| 生物医药（无产品） | 5×-20× | 管线成功概率决定 |
| 亏损消费品牌 | 1×-3× | 品牌溢价 vs 盈利前景 |
P/S 的局限性：
最佳实践： 使用 P/S 时，应同时参考 EV/Revenue 和远期 P/E（假设公司达到成熟利润率），形成三角验证。
适用： 银行、保险、房地产等重资产行业。
数值案例：某银行每股净资产 15 元，可比银行平均 P/B = 0.8×：
| 维度 | 选择标准 | 权重 | 说明 |
|---|---|---|---|
| 行业 | 相同的 GICS/ICB 子行业 | 高 | 行业差异导致倍数差异可达 50-100% |
| 规模 | 收入/市值在 0.5×-2× 范围内 | 高 | 小公司通常有 10-30% 的规模折价 |
| 增长 | 收入增长率差异 < 10% | 中 | 增长速度是 P/E 最重要的驱动因素 |
| 利润率 | EBITDA 利润率差异 < 5% | 中 | 盈利能力影响估值品质 |
| 地区 | 相同的市场环境（发达/新兴） | 低 | 新兴市场通常有 10-20% 的国家风险折价 |
| 风险 | 差异 < 0.3 | 低 | 系统性风险影响股权成本 |
假设 "稳健科技" 有 5 家可比公司：
| 公司 | 市值（亿） | 净利润（亿） | P/E | EV（亿） | EBITDA（亿） | EV/EBITDA |
|---|---|---|---|---|---|---|
| 同业A | 180 | 10.0 | 18.0× | 195 | 16.5 | 11.8× |
| 同业B | 145 | 8.5 | 17.1× | 158 | 13.8 | 11.4× |
| 同业C | 220 | 11.5 | 19.1× | 240 | 19.0 | 12.6× |
| 同业D | 95 | 5.8 | 16.4× | 108 | 9.5 | 11.4× |
| 同业E | 310 | 16.0 | 19.4× | 335 | 27.0 | 12.4× |
| 中位数 | 18.0× | 11.8× | ||||
| 均值 | 18.0× | 11.9× |
"稳健科技" 可比法估值：
小公司的估值倍数通常低于大公司。假设我们观察到如下规模-倍数关系：
| 市值范围 | 可比公司平均 P/E | 可比公司平均 EV/EBITDA |
|---|---|---|
| >300 亿 | 19.5× | 12.8× |
| 100-300 亿 | 18.0× | 11.8× |
| 50-100 亿 | 15.5× | 10.5× |
| <50 亿 | 12.0× | 8.5× |
"稳健科技" 市值约 144 亿（P/E 法），属于 100-300 亿区间，使用 18.0×/11.8× 是合理的。如果其市值只有 30 亿，则应为 12.0× 和 8.5×，对应估值将大幅打折。
PEG = P/E / 增长率，用来调整增长差异：
| 公司 | P/E | 盈利增长率 | PEG |
|---|---|---|---|
| 同业A | 18.0× | 10% | 1.80 |
| 同业B | 17.1× | 9% | 1.90 |
| 同业C | 19.1× | 12% | 1.59 |
| 同业D | 16.4× | 8% | 2.05 |
| 同业E | 19.4× | 11% | 1.76 |
| 中位数 | 1.80 |
"稳健科技" 增长率假设 10%，PEG = 1.80 → 合理 P/E = ，与直接 P/E 一致。
💡 PEG 值 < 1.0 通常被认为低估，> 2.0 为高估。但需注意，低增长公司的 PEG 天然偏高，需结合行业特征判断。
先例交易法通过分析类似公司被并购时的交易价格和溢价水平，为当前交易提供定价参考。其核心逻辑是控制权溢价——收购方为获得控制权通常需支付高于市场价格的溢价。
交易溢价：
| 时期 | 市场 | 平均溢价 | 交易数量 |
|---|---|---|---|
| 2015-2020 | 美国 | 31% | ~1,200 |
| 2020-2023 | 美国 | 33% | ~800 |
| 2015-2020 | 中国 A 股 | 26% | ~600 |
| 2020-2023 | 中国 A 股 | 22% | ~400 |
| 2020-2023 | 欧洲 | 28% | ~500 |
（数据来源：MergerMarket, Bloomberg M&A League Tables）
交易倍数：
假设近期有 4 笔可比交易：
| 交易 | 标的 | 交易价值（亿） | 标的EBITDA（亿） | EV/EBITDA | 公告前溢价 |
|---|---|---|---|---|---|
| 交易1 | 甲科技 | 45 | 3.5 | 12.9× | 28% |
| 交易2 | 乙科技 | 78 | 6.0 | 13.0× | 32% |
| 交易3 | 丙科技 | 120 | 9.5 | 12.6× | 25% |
| 交易4 | 丁科技 | 55 | 4.2 | 13.1× | 35% |
| 中位数 | 12.95× | 30% |
先例交易法估值： 亿元（EV）
控制权溢价指征：若 "稳健科技" 当前股价对应的市值为 144 亿元（P/E 法），则合理收购溢价范围：
| 倍数类型 | 可比公司中位数 | 先例交易中位数 | 溢价幅度 |
|---|---|---|---|
| EV/EBITDA | 11.8× | 12.95× | +9.7% |
| P/E | 18.0× | 20.5×（估算） | +13.9% |
先例交易的倍数通常高于可比公司，因为包含了控制权溢价和协同效应的价值。
| 交易发生时间 | 对当前估值的参考价值 | 原因 |
|---|---|---|
| <6个月 | 很高 | 市场环境相近 |
| 6-12个月 | 较高 | 需调整市场指数变化 |
| 1-3年 | 中等 | 需大幅调整行业和宏观环境 |
| >3年 | 有限 | 行业结构、监管、经济周期可能已根本变化 |
将多种估值方法的结果汇总到一个图表中，形成直观的估值区间对比：
| 估值方法 | 低值（亿元） | 中值（亿元） | 高值（亿元） |
|---|---|---|---|
| DCF（永续增长法） | 195 | 225 | 268 |
| DCF（退出倍数法） | 155 | 185 | 215 |
| 可比公司 P/E | 130 | 144 | 158 |
| 可比公司 EV/EBITDA | 150 | 165 | 180 |
| 先例交易 EV/EBITDA | 165 | 181 | 198 |
| 综合区间 | 170 | 180 | 200 |
综合多种方法后排除极端值（DCF 高增长情景和 P/E 下限），最终估值区间收窄至 170-200 亿元。若当前市值低于此区间，可能被低估；反之可能被高估。
| 场景 | DCF | 可比公司 | 先例交易 | 其他 |
|---|---|---|---|---|
| IPO 定价 | 30% | 50% | 10% | 10% |
| 并购交易 | 25% | 25% | 40% | 10% |
| 内部价值评估 | 50% | 30% | 10% | 10% |
| LBO 分析 | 30% | 20% | 20% | 30% |
| 诉讼/争议估值 | 40% | 20% | 30% | 10% |
以下是一个并购交易的权重计算示例：
| 方法 | 估值（亿） | 权重 | 加权值 |
|---|---|---|---|
| DCF（基准情景） | 225 | 25% | 56.25 |
| DCF（退出倍数法） | 185 | 15% | 27.75 |
| 可比公司法 | 144-165 | 25% | 38.63 |
| 先例交易法 | 181 | 35% | 63.35 |
| 加权估值 | 100% | 186 |
最终建议：186 亿元（约当前市值 144 亿的 129%，溢价空间约 29%）。
适用： 房地产公司、投资基金、资源型企业。
房地产公司 NAV 计算示例：
假设某房地产公司持有物业如下：
| 物业 | 账面值（亿） | 评估值（亿） | 增值/减值 |
|---|---|---|---|
| 北京写字楼A | 15 | 22 | +7 |
| 上海购物中心B | 10 | 14 | +4 |
| 深圳公寓项目C | 8 | 9 | +1 |
| 合计资产 | 33 | 45 | +12 |
| 负债 | (20) | (20) | 0 |
| NAV | 13 | 25 | - |
隐含的 NAV 折价/溢价 = 市值 / NAV = 18 / 25 = 72%，即折价 28%。常见的原因是控股公司折价和流动性折价。
杠杆收购（LBO）估值关注收购方在特定融资结构下能支付的价格上限。核心指标是 IRR 和现金回收倍数。
典型 LBO 回报要求：
| 基金类型 | 目标 IRR | 目标现金回收倍数 | 持有期 |
|---|---|---|---|
| 大型并购基金 | 15-20% | 2.0-3.0× | 5-7年 |
| 中型基金 | 20-25% | 2.5-4.0× | 4-6年 |
| 小型基金 | 25-35% | 3.0-5.0× | 3-5年 |
假设收购 "稳健科技"（EBITDA = 14 亿），融资结构如下：
| 融资类型 | 金额（亿） | 利率 | 占比 |
|---|---|---|---|
| 股权投入 | 50 | - | 35% |
| 优先债 | 60 | 5.5% | 42% |
| 次级债 | 25 | 8.0% | 17% |
| 管理层期权池 | 10 | - | 7% |
| 总购买价 | 145 | 100% | |
| EBITDA 倍数 | 10.4× |
退出假设：第 5 年 EBITDA = 20 亿，退出 EV/EBITDA = 11×：
| 退出年份 | 还债后剩余价值（亿） | 股权回报倍数 | IRR |
|---|---|---|---|
| 3 | 85 | 1.70× | 19.3% |
| 4 | 95 | 1.90× | 17.4% |
| 5 | 105 | 2.10× | 16.0% |
| 6 | 110 | 2.20× | 14.0% |
当企业面临重大战略选择（如投资新市场、开发新药）时，传统 DCF 可能低估其价值。实物期权法通过价值 = DCF 价值 + 期权价值 的框架来修正。
技术投资期权案例：
某科技公司考虑投资 10 亿元建设新产线，DCF 净现值为 -0.5 亿元（不值得投）。但该投资拥有一个"增长期权"——如果市场验证成功，可以二期投入 30 亿抢占更大市场。
使用 Black-Scholes 期权定价框架：
| 参数 | 数值 | 来源 |
|---|---|---|
| 当前项目价值 | 9.5 亿 | DCF |
| 执行价格 | 30 亿 | 二期投资额 |
| 期权期限 | 3 年 | 决策观望期 |
| 波动率 | 40% | 同类技术项目 |
| 无风险利率 | 2.8% | 国债利率 |
修正后项目价值 = DCF 价值 + 期权价值 = -0.5 + 4.2 = 3.7 亿元 → 应当投资。
| 常见错误 | 真实案例 | 后果 |
|---|---|---|
| 增长率过高过久 | 2000 年互联网泡沫中 3-5 年增长 50%+ | 估值虚高 3-10 倍 |
| 永续增长率等于 GDP | 成熟企业设 = 5%（实际应为 2-3%） | 终值高估 40-60% |
| WACC 低估 | 忽略小公司风险溢价 | 估值高估 15-30% |
| CapEx 低估 | 为维持增长需持续投入 | FCFF 高估 20-40% |
| 问题 | 示例 | 正确做法 |
|---|---|---|
| 周期股用当期 P/E | 钢铁公司 P/E = 50×（盈利底部） | 使用归一化/周期调整 P/E |
| 亏损公司用 P/E | 初创科技公司无盈利 | 使用 EV/Revenue 或 EV/用户 |
| 资本结构差异大用 P/E | 高杠杆 vs 零杠杆公司 | 使用 EV/EBITDA 消除杠杆影响 |
| 忽略地区差异 | 用美国倍数估中国公司 | 考虑国家风险溢价和增长差异 |
行为金融学揭示了分析师常见的系统偏差：
| 偏差类型 | 表现 | 对估值的影响 | 应对策略 |
|---|---|---|---|
| 锚定效应 | 被当前股价或上一轮融资价"锚定" | 估值过度接近参考点 | 先不参考市场价格做 DCF |
| 确认偏差 | 只采纳支持自己论点的数据 | 选择性使用可比公司 | 强制使用包含负面的可比名单 |
| 过度自信 | 高估自己预测的准确率 | 估值区间过窄 | 明确 80% 置信区间 |
| 事后聪明偏差 | 历史数据看似"可预测" | 对未来过于确定 | 情景分析至少三个 |
| 从众效应 | 跟随市场共识 | 估值被市场情绪左右 | 坚持"内在价值"框架 |
| 近期偏差 | 过度重视近期数据 | 对周期拐点反应过度 | 使用 5-10 年平均数据 |
背景： 新辰科技是一家成立于 2015 年的 AI 解决方案提供商，2025 年收入 18 亿元，净利润 2.8 亿元，EBITDA 4.5 亿元，总市值约 85 亿元。管理层计划进行一轮 5 亿元融资，需要确定估值基础。
可比公司：
| 公司 | P/E | EV/EBITDA | 收入增长率 |
|---|---|---|---|
| 可比A | 32× | 20× | 25% |
| 可比B | 28× | 18× | 22% |
| 可比C | 35× | 22× | 30% |
| 中位数 | 32× | 20× | 25% |
可比法估值：
DCF 估值（简版）： 假设未来 5 年 FCFF 从 3.0 亿增长至 5.5 亿，WACC = 9.2%，，计算得 EV ≈ 87 亿元。
先例交易法： 近期 3 起 AI 赛道并购平均 EV/EBITDA = 18.5×，EV = 亿元。
| 情景 | 收入 CAGR | 毛利率 | 估值区间（亿） | 依据 |
|---|---|---|---|---|
| 保守 | 20% | 55% | 70-78 | 竞争加剧，增速放缓 |
| 基准 | 25% | 60% | 82-90 | 维持当前增长势头 |
| 乐观 | 35% | 65% | 95-105 | 新产品放量，份额提升 |
综合结论：
| 方法 | 股权价值（亿元） | 权重 |
|---|---|---|
| P/E 可比法 | 89.6 | 25% |
| EV/EBITDA 可比法 | 78.0 | 25% |
| DCF | 85.2 | 30% |
| 先例交易法 | 81.5 | 20% |
| 加权估值 | 83.8 | 100% |
分析员建议：按 82-88 亿元估值区间进行融资谈判，对应每股价格 16.4-17.6 元（假设 5 亿股）。
背景： 某钢铁公司 2025 年因行业景气上行，净利润创历史新高 20 亿元，但过去 5 年的平均净利润仅为 8 亿元。当期 P/E = 5×，看起来极其"便宜"。
问题： 当期 P/E 低估了真实盈利能力周期。
解决方案：使用归一化盈利
| 指标 | 当期值 | 归一化值 |
|---|---|---|
| 净利润 | 20 亿 | 8 亿 |
| P/E | 5× | 12.5× |
| EV/EBITDA | 3× | 7.5× |
归一化后的 P/E = 12.5× 与钢铁行业历史中位数 10-15× 相符，说明公司估值并非被低估，只是处于周期高点。
| 阶段 | 当期 P/E 特征 | 正确估值方法 | 投资含义 |
|---|---|---|---|
| 周期底部（亏损） | 无限大/负值 | 使用 P/B 或 NAV | 此时买入往往收益最好 |
| 周期上升 | 下降中 | 结合产能利用率和价格趋势 | 估值压缩中 |
| 周期顶部 | 极低（3-7×） | 使用归一化盈利 | 看起来便宜，实则是卖点 |
| 周期下降 | 上升中 | 使用 EV/吨产能等物理指标 | 估值扩张中，但盈利在恶化 |
背景： 云智是一家年收入 5 亿元、ARR 4.5 亿元、毛利率 72%、净亏损 0.8 亿元的 SaaS 公司。没有净利润，P/E 不可用。
估值方案：EV/Revenue + 客户经济指标
| 方法 | 倍数/假设 | 估值结果 |
|---|---|---|
| EV/Revenue | 8×（SaaS 行业中水平） | 40 亿 |
| EV/ARR | 8× | 36 亿 |
| EV/GMV | 2× | N/A（非平台型） |
更精细的 DCF 替代方案：
SaaS 公司的价值可以用客户生命周期价值（LTV）来估算：
假设云智有 1,000 家企业客户，年均 ARPU = 45 万，年留存率 = 90%，单客获客成本 = 20 万：
等等——这个值远小于 EV/Revenue 的 40 亿。问题出在哪里？
发现： 高增长 SaaS 的当前客户价值不能完全解释当前股价——市场在定价"未来客户增长"。更合理的模型：
| 增长率假设 | 5年后客户数 | 远期 EV/Revenue | 当前合理 EV（亿） |
|---|---|---|---|
| 保守（20%） | 2,488 | 5× | 22 |
| 基准（30%） | 3,713 | 6× | 33 |
| 乐观（40%） | 5,378 | 7× | 47 |
💡 SaaS 估值的关键并不是当前收入，而是未来收入的能见度（合约年限、留存率、NDR）。
| 概念 | 公式 |
|---|---|
| 企业价值 | |
| 净债务 | |
| 股权价值 | |
| 每股价值 | |
| FCFF | |
| FCFE | |
| WACC | |
| 股权成本（CAPM） | |
| 终值（永续增长） | |
| 终值（倍数法） | |
| PEG 比率 | |
| 去杠杆 | |
| 再杠杆 |
| 行业 | P/E | EV/EBITDA | EV/Revenue |
|---|---|---|---|
| 互联网/科技 | 25-40× | 15-25× | 3-10× |
| 消费品 | 18-30× | 10-18× | 1-3× |
| 工业制造 | 12-20× | 8-12× | 0.8-1.5× |
| 银行 | 6-14× | N/A | N/A |
| 房地产 | 10-18× | 12-20× | 3-7× |
| 医疗健康 | 20-35× | 12-18× | 2-5× |
| 能源 | 8-15× | 4-8× | 0.5-1.5× |
注：以上为 A 股和港股市场 2023-2025 年的典型区间。实际估值需结合市场周期和公司个体特征调整。
| 市场周期阶段 | P/E 调整系数 | 逻辑 |
|---|---|---|
| 扩张期（牛市） | 1.1-1.3× | 投资者愿意为增长支付溢价 |
| 紧缩期（熊市） | 0.7-0.9× | 风险厌恶导致折价 |
| 利率下行 | 1.05-1.15× | 折现率下降，估值提升 |
| 利率上行 | 0.85-0.95× | 折现率上升，估值压缩 |
例如，基准消费品牌 P/E = 20×，当前处于利率上行期的熊市，调整后 = 。
环境、社会和治理（ESG）因素正日益影响企业估值：
| ESG 因素 | 对估值的影响路径 | 量化影响参考 |
|---|---|---|
| 碳排放成本 | 增加运营成本 → 降低 FCFF | 碳价 $50-100/吨，钢铁行业成本增加 3-8% |
| 社会声誉 | 影响品牌价值 → 影响增长率和终值 | 严重 ESG 事件导致市值损失 5-20% |
| 治理水平 | 降低代理成本 → 降低 WACC | 治理 A 级公司 WACC 低 50-100bp |
| 绿色收入占比 | 提高成长性 → 提高估值倍数 | 绿色收入占比 >30% 公司享有 10-20% 估值溢价 |
ESG 调整 WACC 数值案例：
| 公司 | 治理评级 | 传统 WACC | ESG 调整 | 调整后 WACC | EV 变化 |
|---|---|---|---|---|---|
| 公司A | AAA | 7.5% | -0.8% | 6.7% | +12% |
| 公司B | BBB | 7.5% | 0% | 7.5% | 0% |
| 公司C | CCC | 7.5% | +1.2% | 8.7% | -14% |
AI/大语言模型正在改变估值分析师的工作方式：
| 应用场景 | 传统方式 | AI 辅助 | 效率提升 |
|---|---|---|---|
| 可比公司筛选 | 手动搜索 + 行业直觉 | AI 自动匹配行业/规模/增长特征 | 10× |
| 财务预测 | Excel 手动建模 | 自动生成 3 套情景（乐观/基准/悲观） | 5× |
| 敏感性分析 | 手动创建数据表 | 自动生成多维敏感性矩阵 | 20× |
| 报告撰写 | 手动整理分析 | 模板生成 + 人工审核 | 3× |
| 风险识别 | 经验判断 | 自动扫描年报中的风险关键词 | 8× |
⚠️ 注意：AI 可以极大提升分析效率，但估值的核心——判断假设的合理性、识别公司护城河、理解行业竞争格局——仍需要分析师的经验和判断力。
A 股市场存在一些独特的估值挑战：
| 特殊机制 | 对估值的影响 | 应对方法 |
|---|---|---|
| 散户占比高（约 60%） | 短期情绪影响定价，估值波动大 | 延长估值观察窗口 |
| 涨跌停板机制 | 价格发现延迟，非连续定价 | 使用多日平均价格 |
| 限售股/国有股 | 流通市值 ≠ 总市值 | 对限售股份做流动性折价调整 |
| 壳价值溢价（已大幅下降） | 小公司曾享有壳溢价 | 关注市值分层差异 |
| 北向资金影响 | 外资流入增加低估值蓝筹溢价 | 关注南向/北向资金流向 |
| A-H 溢价 | 同一公司 A 股通常比 H 股贵 15-50% | 跨市场估值时注意折价 |
| 行业 | A 股相对 H 股平均溢价 | 近 5 年波动范围 |
|---|---|---|
| 金融 | 15-25% | 5-40% |
| 消费 | 25-45% | 10-80% |
| 科技 | 30-60% | 15-120% |
| 医药 | 25-50% | 10-90% |