行业特定综合估值模型效力研究——基于美国资本市场的证据

(新西兰林肯大学农商与经贸学院，新西兰 基督城 8013)

引言

在当前的上市公司价值评估实践中，根据被评估公司的个体特性以及所属行业的总体特征，而同时选取多种类型的估值模型已成为主流趋势。首先，作为上市公司价值评估的基本原则之一，采用的估值模型应能够与被评估公司的基本特征很好地兼容，该公司的内在价值才能够被精确地估算出来。其次，鉴于每种估值模型都是从各自不同的角度来揭示出公司的内在价值，过分依赖于某种估值模型势必会造成对内在价值的片面认识，甚至会忽略掉部分价值。因此，采用由多种兼容且互补的估值模型所构成的组合(即综合估值模型)，对公司进行全面的价值评估，是提高估值结论可信度的重要有效办法之一。然而，在当前的公司价值评估实践中，对于行业特定估值模型的选取，特别是怎样根据被评估行业的特征而同时选取多种类型的估值模型，尚存在着很多操作难点以及疑问。大部分由分析师构建的综合估值模型包含了诸多缺陷，例如组合中的模型与被评估公司不兼容，组合中的模型相互之间存在冲突，组合中的所有模型都侧重于某一价值指标而导致组合整体失去平衡等问题，其不但不能够提高价值评估的可信度，相反进一步降低了估值结果的有效性。针对上述问题，本文旨在通过加强对行业特定综合估值模型的研究以提高价值评估的可信度。

文献回顾

在上市公司价值评估实践中，分析师们早已经开始在不同的行业中运用不同的综合估值模型。根据美国美林公司2006年进行的机构因素调研(Institutional Factor Survey),机构投资者在他们的证券评估分析中，同时且平均使用多达9种估值模型以及财务比率。然而，当前对于行业特定综合估值模型的理论研究仍然相当匮乏，几乎没有相关文献将行业特征与综合估值模型这两个因素结合起来进行同时探讨。仅有部分研究对综合估值模型进行了分析，Yee(2004)[18]认为每种估值模型所生成的估值只能反映出一部分的内在价值信息，仅仅依赖于某估值模型势必会忽略掉部分价值，内在价值从本质上等于由多种估值模型生成的多个估值的加权。另外，同时采用多种估值模型的优势来源于对各种模型的特长进行整合，从而能够对公司进行全方位的价值评估以充分地发现其内在价值。Vardavaki和Mylonakis(2007)[16]指出，综合估值模型之所以能够总体表现超过单个估值模型，在于综合估值模型具备同时扑捉到多重内在价值信息的能力。一般来讲，上市公司估值模型从总体上可分为基于货币时间价值理论的绝对估值模型和以一价定律为基础的相对估值模型，这两大类模型均具有各自独特的优势以及缺陷。例如，绝对估值模型特别擅长于对高速成长的新兴公司进行评估，它能够很好地把握住可能产生于未来的大量不稳定内在价值，但绝对估值模型往往高度敏感于贴现率和未来长期增长率等参数。相对估值模型具有简单直观等优势，它特别适用于传统行业。而相对估值模型的可靠性取决于所选取的价值参照物，在实践中经常会遇到难以寻求匹配的价值参照对象，价值参照物本身存在错误定价等问题。所以，一些文献认为绝对以及相对估值模型的有效结合能够克服各自的不足并强化自身优势,从而显著提高公司价值评估结论的可信度。例如，Jenkins(2006)[9]认为由绝对以及相对估值模型所构成的组合，能够同时地兼顾到多重长期以及单一短期的公司预测数据。Imam等(2013)[7]研究发现，同时采用基于会计原理的相对估值模型和基于现金流的绝对估值模型，能够有效地减少估值误差，历史会计数据与未来预测现金流的有效结合能显著地增强对内在价值的估算能力。

但是，如何将综合估值模型所产生多个估值整合成一个综合估值是困难所在。在当前操作实践中，尚没有一个统一的整合办法，而现有文献对该问题的研究以及提出的解决办法也相当不健全。Imam等(2008)[8]通过基于98份证券研究报告的内容分析，以及与42位英国卖方证券分析师的面谈，总结出分析师偏向于通过各自的判断以及方法，根据一系列的定性因素将多个估值主观地结合起来。其中，Patena(2011)[12]通过对相关研究进行汇总，发现一种基于加权平均思想的整合方法被分析师们广泛采用，从本质上来讲，该种加权平均法其实是一种定性方法，它通过主观地判断各种估值模型与被评估公司之间的相关性以及重要性，而手动地为组合中的每个估值模型分配相应的比例。然而，由于该类加权平均法是纯粹基于经验法则，它通常会造成分析师对相同的组合有着不同的比例分配。显然，这类过于主观的整合方法只会导致更多估值误差，违背采用综合估值模型的初衷，即同时运用多个估值模型以便减少估值与内在价值之间的偏差。

鉴于当前广泛运用的加权平均法存在过于主观判断的缺陷，一些文献提出了采用定量的方法来客观地估算出加权比例，其中以贝叶斯理论和统计回归为基础的量化方法受到了广泛关注。Yee(2008)[17]设计了一套基于贝叶斯三角理论(Bayesian triangulation)的整合方法，该方法测算出每个估值模型的后延概率，并以此作为加权比例将多个估值结合成一个。然而，该方法仅适用于由三个估值模型所构成的组合，它很难进行相应的收缩或扩展。在这种情况下，基于多重线性回归的整合方法更为适用且不受到模型数量的限制。与贝叶斯三角法一致，多重线性回归法也是根据股价和估值的时间序列数据来测算出各个模型的加权比率(其中股价为被解释变量，估值为解释变量)。这两种方法的主要差别在于，由贝叶斯三角法得出的加权比例之和一定等于一，而多重线性回归法测算出来的加权比例之和却不一定等于一，造成这种差别的根本原因是在于多重线性回归法将回归方程式中各个解释变量的系数作为比例。另外，采用多重线性回归法时应特别注意可能出现的多重共线性问题，Francis等(2000)[5]揭示出由于很多估值模型都是基于类似的估值原理，不同解释变量的时间序列数据之间可能存在较强的关联性。为了确保估算出的加权比例有效，应采用偏最小二乘法回归来克服多重共线性问题，该方法能够很好地处理多个解释变量,并能准确地预测出被解释变量。

研究设计

本文侧重于对行业特定综合估值模型的研究，旨在提高上市公司价值评估结论的可信度。本文首先运用已构建的综合估值模型对样本公司进行价值评估，其次运用一套完善的整合方法将各个组合生成的三个估值结合成一个综合估值，然后判断综合估值模型的可信度通过对其生成的综合估值进行评测，最后根据评测结果并结合行业特征对一系列综合估值模型进行排名。

一、样本以及数据

本研究以35家选自于纽约证券交易所和纳斯达克的上市公司为基础，这35家样本公司均能够充分地反映出其所属行业的总体特征，其中，金融行业15家，信息科技行业10家，健康行业10家。根据行业划分标准(Industry Classification Benchmark)将3个样本行业进一步细分成7个板块，每个板块各5家公司。另外，样本时间段为2010到2012年，采用季度数据并对样本公司每季度进行一次价值评估。本文所需的各种数据来源于Datastream、Edgar、CRSP与Zacks Investment Research等数据库。

二、综合估值模型构建

本文共计选择了12种常见的绝对和相对估值模型作为样本模型(表1)，通过分别测试它们在7个板块中的可信度并以此进行了排名，然后从7个板块中分别选出各自排名前6位的估值模型，并将这6个模型每3个构成一组，共计为每个板块构建了20个综合估值模型。该组合构建方法的基本思路是将一系列适用于特定行业的估值模型进行组合，从而生成多个行业特定综合估值模型以便用于后续测试。尽管本文所构建的每个组合中仅包含3个估值模型，但它可以作为一个很好的进一步研究起点和基本的组合配置标准，分析师可以根据各自需要，将更多适当的模型自行添加到组合中来。

表1 样本上市公司估值模型

三、估值整合方法

根据Hoogerheide等(2010)[6]、Thordarson(2007)[14]、Yee(2004)[18]以及Yoo(2006)[19]等研究，本文设计出一套定量定性相结合的估值整合办法，分为两步：第一步运用偏最小二乘回归法测算出各个估值模型的加权比例，第二步根据各个估值模型与被评估公司之间的相关度调整加权比例。相对于当前广泛运用的加权平均法，本估值整合办法能够更加客观地测算出加权比例，有效地减少主观误差，并能更好地将组合生成的多个估值结合成一个综合估值。

其中，本方法的第一步需运用的偏最小二乘回归法具有以下几个特征。第一，假设市场是高效的，公司的市价被用作其每股内在价值的替代物。第二，采用市价与估值的时间序列数据来测算出回归方程式，并以其中各个解释变量的系数作为各个模型的加权比例。第三，运用偏最小二乘回归来最大程度减少估值模型(解释变量)之间可能存在的多重共线性问题。第四，鉴于一个估值模型相对于被评估公司的适用度会随着时间发生变化，它能够为组合中的每个模型生成出随时间而变化的加权比例。第五，为了提高估值整合结果的有效性，它整合出来的综合估值等于回归方程式中的截距与各个估值加权平均和之和。偏最小二乘回归法的回归方程式为：

其中，MPt,s是公司s的当前市价；Vt,s是由该偏最小二乘回归法整合出来的综合估值；Ut是被该回归整合方法忽略掉的部分内在价值；At是回归截距；Wt,i是组合中估值模型i的加权比例；VEt,i是估值模型i所估算出的估值。

四、可信度测试方法

根据Kaplan和Ruback(1995)[10]、Francis等(2000)[5]、Chen和McNamara(2000)[2]以及 Liu等(2007)[11]等研究，本文设计出以下经改进过的可信度测试方法，用于对估值模型或者综合估值模型的可信度进行评测。总体设计思路是，首先运用某个估值模型或者综合估值模型对某公司当前内在价值进行评估，然后将其生成的估值与评估当日的市价进行对比，从而测试出该估值模型或者综合估值模型对当前内在价值的估算能力。

具体来讲，本方法包含以下三个要点：第一，强调了对估值模型或综合估值模型的评估，应以它直接估算出来的估值或综合估值为主要评测对象；第二，认为一个估值的可信度，同时取决于它的准确度以及解释度两个同样重要的方面，其中，准确度反映了该估值或综合估值能在多大程度上地揭示出公司的内在价值，解释度测量该估值或综合估值能在多大程度上解释出内在价值的变化。Kaplan and Ruback (1995)[10]认为一个估值可能很好地揭示出公司的内在价值，但它并不一定能很充分地解释内在价值的变化(图1)。相反，它也许能够充分地解释内在价值的变化，但它不一定能够完全地揭露出内在价值(图2)。因此，至于准确度与解释度这两个同等重要的指标所可能出现的相互矛盾，是属于正常情况。为了方便对估值模型或者综合估值模型的可信度进行整体判断，本方法将准确度与解释度各自赋予50%的比重以计算出两者的加权平均和。第三，假设市场是高效的，市价被用作每股内在价值的替代。

在本测试方法中，准确度侧重于反映出估值误差，即每股内在价值与估值之间的差距有多大。具体来讲，准确度测试包含了以下指标：

(1)估值原始误差值：当前估值与当前市价之差的绝对值(绝对估值原始误差)和非绝对值(非绝对估值原始误差)；

图1 高准确度，低解释度

图2 高解释度，低准确度

(2)估值修正误差值为以下各指标的平均值：估值原始误差除以当前市价；估值原始误差除以当前估值；估值原始误差除以当前市价与估值原始误差之和(对该指标取平方根)；估值原始误差除以当前估值与估值原始误差之和(对该指标取平方根)；

(3)以上指标的各种计量统计值：包含算数平均值，中值，标准差，变异系数，集中趋势等统计指标。

另外，解释度旨在反映出估值或综合估值的变化在多大程度上与每股内在价值的变化趋势相似。解释度测试是基于以下最小二乘线性回归，解释度由回归结果中经调整过的相关系数平方值来度量，其中，MPt,s是公司s的当前市价，VEt,s是公司s的估值或综合估值：

实证结果分析

一、行业特定综合估值模型

该部分根据测试结果，展示了样本综合估值模型在样本行业中的可信度排名情况。其中准确度主要由估值修正误差值来判断，而解释度则主要由经调整过的相关系数平方值来度量。以下部分基于可信度测试结果和行业特征，分别探讨了金融，信息科技以及健康这三个当今资本市场上热门行业的综合估值模型。受篇幅限制，以下各表仅列举了各个样本板块中总排名前3位与后3位的综合估值模型。

表2 行业特定综合估值模型排名——金融行业

1.金融行业

由表2可知，由市净率模型(PB)、贴现股息模型(DD)和动态价格收益增长模型(PEGF)所构成的组合，在对商业银行的价值评估中具有最好的表现。该组合通过同时考虑以下四个重要的价值指标对商业银行进行估值：当前账面价值，未来股息，下一年度的预计盈利以及未来长期预计的盈利增长率。因此，该组合不但从当年、下一年以及未来这三个时间段对银行进行了一个全方位的评估，而且组合中的模型能够很好地与银行的特征相兼容。其中，在当前通用会计标准下，银行大部分资产的账面价值接近其市场价。Fink(2012)[4]认为账面价值特别适合对含有大量可转让资产、且采用逐日盯市制度的商业银行进行价值评估。另外，2008年金融危机后出现的并购与重组浪潮极大地提高了商业银行的利息以及费用收入，加快了其利润增长率并对长期稳健的派息计划提供了有力的支持。因此，在对2010～2012年这一样本时间段内的商业银行进行价值评估时，很有必要同时兼顾到稳定的账面价值和股息、利润的波动以及利润增长率这四个重要的价值指标。另一方面，表3显示由动态股息收益率模型(DYF)、动态市盈率模型(PEF)以及动态价格收益增长模型构成的组合，在对商业银行的价值评估中表现最差。失衡是该组合的主要问题，该组合不仅过多地专注于未来而忽略掉了重要的当前基本面，并且过度地将重心放在不稳定的价值指标上。Damodara(2009)[3]指出银行利润这一价值指标的大小取决于存贷利率之差，它通常对基准利率以及贷款损失储备金等的变化高度敏感，不稳定的利润在很大程度上减小了以利润为基础的估值模型的可信度，如动态市盈率模型和动态价格收益增长模型。

表3同样也指出了由市净率模型、贴现股息模型和动态股息收益率模型所构成的组合最适用于保险公司，该组合具有最好的准确度(7.33%)以及最高的解释度(94.98%)。该组合良好的价值评估表现主要是源于对保险公司较强稳定性这一本质的很好把握。鉴于保险公司的利润主要来源于投资活动的回报与保险理赔之差，它并不具备特别可观的增长前景并且其利润趋近于平稳。由于没有太多的再投入机会，保险公司特别是处于成熟期的保险公司趋向于长期稳健的派息计划，将其利润进行分配而不是保留，这促使股息成为了一个可靠的价值指标。因此，该组合能够很好地兼顾到保险公司的现有价值，以及由将来运营活动所可能产生的未来价值。其中，它通过账面价值来估算出内在价值的当前部分，并通过股息来测算出内在价值的未来部分。另外，由静态股息收益率模型(DYT)、动态市盈率模型和动态价格收益增长模型构成的组合最不适用于保险公司，造成该组合低可信度的主要原因是组合中的模型与保险公司的特征不兼容。其中，基于历史股息数据的静态股息收益率模型不适用于保险公司，Damodara(2009)[3]揭示出历史会计数据并不能很好地反映将来，保险公司的未来股息通常相对稳定并且容易预测，因此应采用基于未来预期股息的估值模型。而且，由于保险公司从本质上趋于平稳，不具备类似高科技公司那样可观的增长前景和速度，以利润增长率为基础的动态价格收益增长模型同样也不适用于保险公司。

尽管都属于金融行业，证券公司相对于银行以及保险公司而言，具有明显更高的风险和不确定性。内在风险的不同导致了各自的综合估值模型的显著差异，表3显示由市净率模型、静态股息收益率模型和剩余收益模型(RI)构成的组合，具有最好的准确度(13.82%)以及最高的解释度(82.93%)。一般来讲，股票自营、券商经纪、投资银行和资产管理是证券公司的四大主营业务。这些业务具有明显的风险，特别是股票自营和券商经纪业务，它们与证券市场的走势高度正相关。因此，证券公司的未来运营表现具有很大的不确定性且较难准确预测。在这种情况下，基于历史数据的价值指标能够更好地反映出证券公司的内在价值。其中，以过往会计报表数据为基础的静态股息收益率模型比基于预测数据的估值模型更为可靠。另外，鉴于账面价值这一价值指标侧重于稳定的资产负债表而不是浮动的损益表，以账面价值为基础的市净率模型特别适合于具有较高运营以及投资风险的新兴证券公司。除市净率模型和静态股息收益率模型在估算证券公司当前部分的内在价值时具有明显优势，Pinto等(2010)[13]认为剩余收益模型擅长于对未来较高可能性负利润、负现金流或无派息行为的公司进行评估。因此，对于专注于高风险股票自营业务的证券公司，剩余收益模型能够很好地估算出其内在价值的未来部分。

表3 行业特定综合估值模型排名(信息科技行业)

2.信息科技行业

根据表3，由静态市盈率模型(PET)、动态价格收益增长模型(PEGF)和贴现现金流模型(DCF)所构成的组合，在对软件以及计算机服务公司的价值评估中表现排名第一。总的来讲，该组合不但总览了公司的整个生命周期(从去年到下一年，再到未来无限期)，而且专注于其生命周期各个阶段的相应重要价值指标。对于软件以及计算机服务公司这种具有较高运营和技术风险的不稳定公司来讲，未来营收在很大程度上取决于其核心产品以及技术的研发进程。因此，在对该类公司进行价值评估时，应适度地侧重于历史利润数据，而不是极具不确定性且难以预测的未来预期利润。基于历史数据的静态市盈率模型是软件以及计算机服务公司的理想估值模型之一。除了高风险以及巨大不确定性以外，快速的增长速度也是软件以及计算机服务公司的另一显著特征。Pinto等(2010)[13]指出在对拥有良好增长前景的新兴公司进行评估时，考虑其未来长期利润增长率是相当有必要的，动态价格收益增长模型最擅长于对快速成长的高科技公司进行价值评估。除了静态市盈率模型和动态价格收益增长模型分别侧重于产生自当前和未来可预测期间的价值，该组合的估值优势由关注于未来无限期的贴现现金流模型进一步加强。鉴于大部分处于成熟期的软件及计算机服务公司已完成了核心产品和技术的研发，其技术不确定性和运营风险明显降低，现金流趋近于平稳，可持续且易预测，未来现金流这一价值指标能够很好反映出成熟期所产生的价值。

表3同样也展示了一系列综合估值模型在科技硬件公司价值评估中的排名情况。尽管都属于信息科技行业，传统的科技硬件公司与新兴的软件以及计算机服务公司相比，有着明显不同综合估值模型选择。其中，由动态市盈率模型、动态价格收益增长模型和市销率模型(PS)所构成的组合，具有最好的价值评估表现(12.98%的准确度和75.72%的解释度)。该组合的估值优势主要来源于由多个适合的估值模型所共同产生的协同效应。另外，该组合同时兼顾到以下三个能够兼容科技硬件公司基本特征的价值指标：去年销售额，预期的下一年度利润和预期的未来长期利润增长率。尽管由未来运营活动所产生的内在价值只占到科技硬件公司总内在价值的较小一部分，该组合仍同时兼顾了内在价值的当前和未来部分。科技硬件板块主要由大量传统、资本密集且成熟的电子硬件制造公司所构成，因其销售额具有较小的不确定性，较少受到管理层篡改并且易于预测，以销售额为基础的市销率模型特别适用于该板块。除了平稳的销售额，相对较低但可持续的盈利能力是科技硬件公司的另一显著特征，较强的可持续性极大地减少了未来利润和利润增长率等的预测难度，以此为基础的动态市盈率模型和动态价格收益增长模型也同样适用于科技硬件公司。

3.健康行业

根据表4，由贴现现金流模型、贴现股息模型和静态股息收益率模型构成的组合，最擅长于对制药公司进行价值评估。该组合良好的表现源自于对两个重要估值理念的运用：多重估值期间以及多重价值指标。在当前的制药领域中，以化学技术为主导的传统制药技术在经历过一个漫长的发展期后，已经变得非常成熟。Trottier(2010)[15]指出大部分制药公司特别是生产化学原料药和化学药物的公司，已转变成了纯粹的资本密集型公司，它们通常拥有大量的固定资产和相对较少的无形资产。对于该类缺少技术创新和增长动力的传统制药公司，当前内在价值占据了其总内在价值的很大一部分。因此，对于一个好的综合估值模型来讲，它应能够通过相应的价值指标在最大程度上地估算出内在价值的当前部分。Pinto等(2010)[13]揭示出对于拥有长期稳健派息计划、且长期派息比率与其盈利能力相吻合的成熟公司来讲，股息是一个理想且可靠的价值指标。鉴于较小的技术不确定性和对进一步化学制药技术研发需求的减少，大部分的传统制药公司趋向于将其积累的大量利润进行分配而不是保留以用于再投入。因此，以当期股息为基础的静态股息收益率模型能更好地估算出由目前运营所产生的当前内在价值。此外，该组合通过预期的未来自由现金流这一指标来估算出内在价值的未来部分。对于不具备创新型制药技术和医药产品的制药公司来讲，增长动力的不足导致其未来现金流平稳且易预测。因此，以未来自由现金流为基础的贴现现金流模型能在很大程度上提高该组合对内在价值未来部分的估算能力，特别是产生于制药公司未来成熟阶段的内在价值。

表4 行业特定综合估值模型排名(健康行业)

类似于其他快速成长且具有高风险的科技公司，新兴的生物技术公司的大部分内在价值由无形资产所创造并来自于将来。以非账面价值为基础，专注于未来的综合估值模型在生物技术公司的价值评估中具有良好表现。表4中的结果很好地印证了这一点，以多重价值指标和多重估值期间(特别是未来)为导向的组合具有明显估值优势。其中，由动态市盈率模型、动态价格收益增长模型和剩余收益模型所构成的组合，具有最好的准确度以及解释度(14.19%以及68.30%)。该组合的良好表现是由于组合中的模型能很好地互补,并与生物科技公司的基本特征相兼容。Banerjee(2003)[1]认为生物科技公司是资本与技术双重密集型公司，它们通常具有较少的当前内在价值，大部分内在价值被冻结在仍在进程中的研发项目中。一旦其生物技术产品完成研发、通过审批并最终进入市场营销阶段，生物科技公司的利润将大幅上升，其内在价值将得到有效释放。因此，综合估值模型应能够很好地考虑到未来可能释放出的大量内在价值，下一年度预期利润特别是未来长期利润增长率这一价值指标，它最能反映出研发成果的商业化所可能带来的价值。鉴于生物科技产品具有极大的技术风险以及司法审批不确定性，综合估值模型应同时兼顾到可能存在的亏损情况，Pinto等(2010)[13]推荐用剩余收益这一价值指标来应对极具亏损可能性的公司。

二、 估值模型与综合估值模型

该部分根据可信度测试结果，对估值模型以及综合估值模型在不同样本行业中的总体表现进行了对比。近年，同时使用多种类型的估值模型已成为公司估值实践中的主流趋势。然而，一些研究者开始质疑是否将多个估值模型进行组合就一定能够产生良好的估值优势，以及将特定的几个估值模型构成一个组合是否恰当。表6与7中的测试结果清楚地解答了以上疑问。

表5显示，相对于单个估值模型而言，综合估值模型具有显著的总体估值优势，综合估值模型在各个样本行业中均具有明显较高的平均可信度。因此，多个估值模型的同时运用确实能够产生更加可信的估值，该结论与Vardavaki和Mylonakis(2007)[16]和Yee (2004)[18]等研究结果一致。然而，表6也指出了某些综合估值模型并不一定能超过该组合中所有模型的单独表现，这意味着某些估值模型的各自单独表现好过在一起的总体表现。 一般来讲，一个综合估值模型的表现由以下两个重要因素决定：一是组合中的估值模型是否与被评估公司的特征相兼容，二是组合中的模型是否平衡以及互补。第二点因素非常重要，它直接决定了综合估值模型是否能够产生协同效应。 本文认为，多重估值期间以及多重价值指标这两个理念是协同效应产生的前提。首先，一个好的综合估值模型应遵循多重估值期间，应能全面地覆盖被评估公司的整个生命周期，任何仅侧重于特定单一时间段的组合势必会忽略部分内在价值，造成不完整的估值结论。其次，Yee(2004)[18]认为任何价值指标都不可能充分地反映出被评估公司的全部内在价值，每个价值指标都着有自己的局限性，它们从各自不同的角度揭示出公司的一部分内在价值。因此，多重价值指标对于综合估值模型相当重要，组合中的模型应能充分地兼顾到被评估公司的所有重要价值指标。

表5 价值评估表现对比(组合VS个体)

表6 价值评估表现对比 —— 组合VS组合中所有个体

表7 价值评估表现对比(混合VS纯)

三、 混合综合估值模型与纯综合估值模型

该部分根据可信度测试结果，对混合综合估值模型以及纯综合估值模型在不同样本行业中的总体表现进行了对比。上市公司的估值模型可以分为绝对和相对两大类，本文将由绝对以及相对估值模型构成的组合命名为混合综合估值模型，而仅由相对或绝对估值模型所构成的组合被命名为纯综合估值模型。在构建综合估值模型时，分析师经常会遇到一个问题，即是否有必要同时选用绝对和相对这两类模型，混合综合估值模型是否比纯综合估值模型更具备价值评估优势。表7中的可信度测试结果清楚地解答了这些疑惑。

根据表7，混合综合估值模型的总体表现并不优于纯综合估值模型。事实上，一些存在构建缺陷的混合综合估值模型严重地拖累了其总体表现。对于那些与被评估公司特征相兼容、遵循多重估值期间以及多重价值指标的混合综合估值模型，它们的表现超过纯综合估值模型。例如在表2、3和4中，混合综合估值模型总是各个样本板块的最佳综合估值模型，因此同时采用绝对和相对估值模型是必要且有意义的。该结论与Jenkins(2006)[9]和Imam等(2013)[7]的研究结果一致，即绝对以及相对估值模型的有效结合能够克服各自的不足并强化自身优势，从而显著提高公司价值评估结论的可信度。另外，表7也揭示出在对新兴板块如软件以及计算机服务和生物科技的价值评估中，混合综合估值模型具有显著估值优势。由于混合综合估值模型中包含了绝对估值模型，它能够很好地应对产生于未来的不稳定和不确定的现金流，从而充分地扑捉到由未来运营所产生的大量内在价值。而在另外一面，鉴于内在价值的未来部分仅仅占据了传统板块如科技硬件总内在价值的很小一部分，混合综合估值模型不再需要过多地专注于未来。所以，应将混合综合估值模型进行适当调整，引入更多基于当前价值的相对估值模型，并同时减少组合中绝对估值模型的数量。

结论及研究建议

本文的主要研究结论如下：(1)本文将一系列综合估值模型在不同的行业中进行了准确的可信度排名，该排名能有效地协助分析师根据被评估公司所隶属的行业，进行正确的综合估值模型选择，从而有效地提高公司价值评估的可信度；(2)同时采用多种类型的估值模型是有意义的，综合估值模型具有显著的公司价值评估优势，特别是与被评估公司特征相兼容，遵循多重估值期间以及多重价值指标的综合估值模型；(3)在构建综合估值模型时，同时运用绝对和相对估值模型是必要的，混合综合估值模型能有效地减小绝对与相对估值模型各自的缺点，同时最大化各自的优势。

根据实证结果，本文提出以下两点进一步研究建议：第一，扩大行业特定综合估值模型的研究范围，将更多的行业纳入研究；第二，鉴于本行业特定综合估值模型的研究结论具有一定的时效性以及区域性，更改样本时间段以及样本公司以得出一个适用于特定市场和时期的研究结论。