科創板擬上市企業估值模型與估值水平預測

文/孫裕策 秦猛猛 韓翔宇，中國礦業大學（北京）

1 引言

本文根據 2009-2018 中國 1500 家上市企業和世界 2700 家企業的估值數據、基本面數據、流動數據，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與基本面指標、流動性指標之間的關系進行定量分析，采用熵權法客觀求出各股對應基本面指標的評分值和流動性指標的評分值，并以此為自變量，以各股市場估值水平為因變量，進行多元回歸分析，若擬合度較差，再改用 BP 神經網絡，求出權值與閾值進行定量分析并進行對比分析。 第三，采用時間序列分析模型，先對六個二級指標進行時間序列分析，預測出 2019年的相關數據，然后利用前面熵權法已經得到的權重表達式，由六個二級指標的預測值得出兩個一級指標的數值，完成預測。第四，根據上交所公布的 93 家企業申報科創板上市的相關數據，運用時間序列分析模型預測出科技板市場 2019年的基本面數據，代入美國市場的神經網絡模型中，預測出科創板企業上市后的估值水平，此外，也將數據代入了訓練過后的中國神經系統模型，將兩種模型得到的預測值進行對比分析，使結果可靠性大大提升。得到了美國模型的結果略好于中國模型的結果，兩者存在一定的差距，說明中國還有較大發展空間的結論。

2 模型假設

1.篩選后的數據真實有效。

2.假設指標之相互間影響不顯著。

3.假設提供的指標能較全面地反映基本面指標與流動性指標。

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原始數據i=0 為中國，i =1 為美國，j 為第j 個指標y ij 歸一化數據E ij 信息熵g 基本面指標

u 流動性指標Y i=0 為中國，i=1 為美國，j=1基本面指標，j=2 流動性指標ij j 0某指標起始數據

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式

估值溢價=凈利潤/（市銷率*銷售收入）：

Ⅱ模型的求解

代入數據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之間的關系進行定量分析

4.2.1 模型的建立

（1）熵權法求中美基本面指標、流動性指標評價值

Step1：：標準化后的數據比重的計算：

Step2：各指標信息熵的計算

由此可分別得中美市場年度營業收入、年度歸母凈利潤、年度凈資產收益率的信息熵；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，得到基本面指標與流動性指標的評價值。

Step3：各指標權重的計算

由此得到了各項指標在結果中所占的權重，指標越大，評價分越高。由 matlab 編程得到結果。

（2）基本面指標，流動性指標與估值水平的 BP 神經網絡模型

輸入層有 2 個神經元，隱含層取七個神經元，輸出層一個神經元

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e為：

采用trainlm函數進行訓練得到結果

得到神經網絡函數：

4.2.2 模型的求解

（1）基本面指標、流動性指標熵值法量化求解（程序略）

將給定的標準化數據代入熵值法公式進行計算，運用 matlab 編程得出各指標權重部分。

（2）基本面指標、流動性指標與估值水平的神經網絡模型求解

Matlab 編程求解，經過不斷試驗，隱含層數為 7，且符合隱含層數經驗公式

訓練結果如下：

圖2 中國 A 股市場訓練結果

可發現精度為 0.001，可以接受

輸入層到隱含層權值

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

隱含層到輸出層權值

Lw：

2.1845 5.0375 5.9266 -1.7025 -21.4683 0.0045 -10.0223

圖3 美國市場訓練結果

可發現精度為 0.001，可以接受

輸入層到隱含層權值

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

隱含層到輸出層權值

Lw：

0.2470 -4.2470 5.5060 -6.2176 0.4696 3.1887 7.4301

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

4.3 問題三：計算中美兩個市場 2019年的估值指標

表1 十年內中美市場的六個指標

表2 歸一化結果

4.3.1 模型的準備

（1）數據預處理

由于后續的分析中需要用到的兩個市場十年之間的六個二級指標的數值，現采用企業的平均值來表示，這樣，可以得到美國和中國十年內六個指標的數據。部分見表1。

（2）中美 2019年基本面指標和流動性指標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平滑法、霍爾特預測法、ARIMA 模型三種算法進行時間序列預測。

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行預測，spss 可以為每一項指標的預測匹配相應的的最優算法。

結果分析：

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

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

Step.2:

將上述數據進行歸一化處理，見表2。

帶入問題二中運用熵權法的得到的表達式，可得出 2019年美國和中國的基本面指標和流動性指標的數值：

表3 2019年美國和中國的基本面指標和流動性指標

Step.3：

得到 2019年的基本面指標和流動性指標后，然后可帶入經過訓練的神經網絡模型中，從而預測出 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

需要對結果進行反歸一化處理，公式如下：4.4 問題四 預測我國首批 93 家科創板企業上市后的估值水平4.4.1 預測 2019年科技板基本面指標

根據上交所給出的 93 家科創板企業在 2016-2018年間的年度營業收入、年度歸母凈利潤、年度凈資產收益率，可以計算出每一年三項指標的均值，以此來表示每一年各個指標的總體水平。帶去問題三的時間序列預測模型中，運用 spss 可以得到如下結果：

表5 科創板 2019年指標預測算法

圖6 各項指標的 2019 預測值

表6 六個指標的數值

4.4.2 預測估值水平

Step.1:

整理上述結果可得如下結果：見表6。

Step.2：通過美國 NASDAQ 市場的估值量化模型預測科創板

將上述預測到的 2019年科創板的基本面指標和中國 A 股的流動性指標進行數據的歸一化處理，考慮到使用美國的估值量化模型，所以在美國環境下進行歸一化處理，即將數據加入 2018年美國企業各項指標的表格中，統一進行歸一化。此外，由于中美統計過程中計算單位不一致，需將中國的這三項指標同除以進率 70000，換算成美元。再進行歸一化，見表7。

表11 2019年兩項一級指標的數值

可直接進之前訓練好的中國神經網絡模型，預測出相應的估值水平。最后結果需要進行反歸一化處理。

表7 歸一化后六個指標的數值

數據歸一化后，按熵權法可得出 2019年兩項一級指標的數值

表8 2019年兩項一級指標的數值

直接將上述數據輸入之前訓練好的美國神經網絡模型，預測出相應的估值水平。最后結果需要進行反歸一化處理。

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測科創板

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

表10 歸一化后六個指標的數值

數據歸一化后，按熵權法可得出 2019年兩項一級指標的數值

表12 科技板估值水平

4.4.3 結果分析

通過分析可以得出無論運用哪種模型進行預測，科技板 2019年上市后的估值水平都將在中等水平附近波動，運用美國模型得出的結果略好于中國模型得到的結果，兩者存在一定的差距，說明中國的發展空間還很大，而中國近幾年的經濟形勢呈穩定發展的態勢，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。