稳健高效切尾均值乘数估值技术.docVIP

稳健高效的切尾均值乘数估值技术 ? ? 摘要：迄今为止，业界通常使用可比公司估值乘数的均值和中位数对目标公司进行估值。均值虽然充分利用了可比公司估值乘数所提供的信息，却容易被离群值所歪曲；中位数虽然可以抵抗离群值的冲击，却对测量和分组误差极为敏感，并且不能充分利用可比公司乘数所提供的信息。取两者之长而避其短的是切尾均值乘数估值技术。本文提供了确定满意切尾率的简单规则，它不仅方便实际操作，而且提供了很好的稳健性和不低于70％的效率。 关键词：乘数估值；切尾均值；最优切尾效率；稳健性1. 引言 乘数估值法是业界使用的最主要的权益估值技术之一[2]。利用该方法估值的标准做法（见Benninga and Sarig, 1997, pp. 306 – 307以及业界专业估值报告）是：先计算可比公司（例如同行业公司）估值乘数的算术平均值或者中位数，再估算待估公司的相应预期指标，最后将两者的乘积作为目标公司价值的估计值。 与业界的做法相呼应，学界也对这种估值技术进行了多方面的研究，比如，Fama and French (1988)、Campbell and Shiller (1988)以及Kaplan and Ruback (1995)关心乘数估值法是否真的有用，Zarowin (1990)分析了估值乘数的决定因素，Beatty, Riffe, and Thompson (1999)、Kim and Ritter (1999)、Tasker (1998)和Efthimios G Demirakos, Norman Strong, and Martin Walker (2002)考虑了具体如何选择合适的估值乘数，而Boatsman and Baskin (1981)、Alford (1992)以及Bhojraj and Lee (2001)则探讨了可比公司的确定方法。与上述研究不同，本文探讨的焦点问题是，为什么将可比公司估值乘数的算术平均值或者中位数作为待估公司的目标估值乘数？有没有更好的估计量？ 众所周知，对于高斯分布[3]而言，样本均值按许多准则都是总体位置的最好估计量。然而，现实中的估值乘数却几乎总是偏离高斯分布[4]。比如，市盈率和市净率就常常表现出高峰重尾的非高斯形态，并具有很多极端值，见图1和图2。估值乘数不服从高斯分布的可能原因包括： l???????? 管理、会计、市场、宏观经济环境等因素造成的影响和误差； l???????? 公司经营、投资或者融资方面的突发事件； l???????? 各样本公司不具有完全可比性，从而具有不同的分布； l???????? 估值乘数本身不服从高斯分布，等等。 在这些情况下，作为位置估计量的均值表现通常很差。举例来说，只需一个很大或者很小的观察值就足以导致位置估计的严重偏大或偏小，也就是说，均值缺乏对极端观察值的稳健性。再比如，任何对高斯分布的合理偏离都会大幅降低均值估计量的效率，也就是说均值估计量对分布也过于敏感。 为避免上述问题，业界还经常使用另一个位置估计量进行估值——中位数。中位数不易受极端值的影响，然而，却容易受到排过序的样本中间一两个观察值的测量误差和分组误差的很大影响；而且，它没有充分利用样本所提供的信息，从而造成很多情况下的低效率。比如，如果总体服从高斯分布，样本数为5，那么，中位数的效率仅仅为均值的70％。 因此，如果能够根据实践中估值乘数的统计特性在这两者之间取得某些平衡，则有可能得到更加准确的估值结果。本文将采用切尾均值作为算术平均值和中位数的折衷，从而在一定程度上提高乘数估值的稳健性和有效性。切尾均值是将排过序的样本先去掉一定比例的左右尾，然后再求算术平均值的统计量。由于切掉了尾部，切尾均值就不会对极端值非常敏感；由于使用了较多的中间样本点，切尾均值就减少了对中间一两个观察值的过度敏感，同时也较充分地利用了样本所提供的信息。至于切多少比例的尾部最合适，则取决于实践中估值乘数的统计特性。 下文将给出切尾均值的定义，然后分析它相对于均值和中位数的优势，提供确定最优切尾率的规则，并在考察实践中估值乘数的统计特性的基础上，最终得出目标估值乘数的切尾规则，最后举例说明其使用方法。 注：条形图为沪市A股04年市盈率的直方图，峰高尾重的粗线为t位置-尺度分布拟合图，平坦的粗线为高斯分布拟合图。 图 1 沪市A股市盈率的分布拟合图 注：条形图为沪市A股04年市净率的直方图，峰高尾重的粗线为t位置-尺度分布拟合图，平坦的粗线为高斯分布拟合图，钟形粗线为去掉部分极端值后的高斯分布拟合图。 图 2 沪市A股市净率的分布拟合图 2. 切尾均值 令是容量为n的样本的次序统计量，则称每侧切掉t个次序统计量后的均值为切尾均值，记为 ????????????????????????????????????