科创板拟上市企业估值模型与估值水平预测

文/孙裕策 秦猛猛 韩翔宇，中国矿业大学（北京）

1 引言

本文根据 2009-2018 中国 1500 家上市企业和世界 2700 家企业的估值数据、基本面数据、流动数据，首先测算出 2018年中国 A 股市场与美国 NASDAQ 市场的估值溢价水平。第二，对中美市场的估值指标与基本面指标、流动性指标之间的关系进行定量分析，采用熵权法客观求出各股对应基本面指标的评分值和流动性指标的评分值，并以此为自变量，以各股市场估值水平为因变量，进行多元回归分析，若拟合度较差，再改用 BP 神经网络，求出权值与阈值进行定量分析并进行对比分析。 第三，采用时间序列分析模型，先对六个二级指标进行时间序列分析，预测出 2019年的相关数据，然后利用前面熵权法已经得到的权重表达式，由六个二级指标的预测值得出两个一级指标的数值，完成预测。第四，根据上交所公布的 93 家企业申报科创板上市的相关数据，运用时间序列分析模型预测出科技板市场 2019年的基本面数据，代入美国市场的神经网络模型中，预测出科创板企业上市后的估值水平，此外，也将数据代入了训练过后的中国神经系统模型，将两种模型得到的预测值进行对比分析，使结果可靠性大大提升。得到了美国模型的结果略好于中国模型的结果，两者存在一定的差距，说明中国还有较大发展空间的结论。

2 模型假设

1.筛选后的数据真实有效。

2.假设指标之相互间影响不显著。

3.假设提供的指标能较全面地反映基本面指标与流动性指标。

3 符号说明

t i 时间z 中美估值溢价n 估值水平m 市盈率b 净利润v 销售收入c 估值溢价x ij原始数据i=0 为中国，i =1 为美国，j 为第j 个指标y ij 归一化数据E ij 信息熵g 基本面指标

u 流动性指标Y i=0 为中国，i=1 为美国，j=1基本面指标，j=2 流动性指标ij j 0某指标起始数据

4 模型建立与求解

4.1 问题一：对中美市场估值溢价求解

4.1.1 估值水平求解

选取平均市销率作为估值水平，计算 2018年两市场估值水平可由 2018年平均市销率来估计，可求得中国 A 股市场估值水平为 4.88，美国市场估值水平为 90.35。

4.1.2 估值溢价（或折价水平）的计算

（1）

图1 中美近年来估值水平对比图

（2）中美之间估值溢价

两者之间估值溢价可由二者估值水平之差求解：z=n1-n2

（3）中美各自估值溢价

Ⅰ模型的建立

估值溢价=预期收益率-投资必要报酬率

市盈率=股价/每股盈余额

故可用市盈率倒数表示估值溢价，市盈率=（市销率/净利润）*销售收入：

各自估值溢价最后表达式

估值溢价=净利润/（市销率*销售收入）：

Ⅱ模型的求解

代入数据可得中美之间估值溢价为-85.47，即折价水平 85.47。得到各自估值溢价：

中国市场估值溢价 0.017

美国市场估值溢价 0.0011

4.2 问题二：对中美两个市场各指标之间的关系进行定量分析

4.2.1 模型的建立

（1）熵权法求中美基本面指标、流动性指标评价值

Step1：：标准化后的数据比重的计算：

Step2：各指标信息熵的计算

由此可分别得中美市场年度营业收入、年度归母净利润、年度净资产收益率的信息熵；可得年度单只股票交易量、年度单只股票交易金额、年度单只股票平均换手率的信息熵，得到基本面指标与流动性指标的评价值。

Step3：各指标权重的计算

由此得到了各项指标在结果中所占的权重，指标越大，评价分越高。由 matlab 编程得到结果。

（2）基本面指标，流动性指标与估值水平的 BP 神经网络模型

输入层有 2 个神经元，隐含层取七个神经元，输出层一个神经元

输入向量 x 与隐含层输入向量 hi 为：

输出层输出向量 yo，期望输出向量 do，误差函数e为：

采用trainlm函数进行训练得到结果

得到神经网络函数：

4.2.2 模型的求解

（1）基本面指标、流动性指标熵值法量化求解（程序略）

将给定的标准化数据代入熵值法公式进行计算，运用 matlab 编程得出各指标权重部分。

（2）基本面指标、流动性指标与估值水平的神经网络模型求解

Matlab 编程求解，经过不断试验，隐含层数为 7，且符合隐含层数经验公式

训练结果如下：

图2 中国 A 股市场训练结果

可发现精度为 0.001，可以接受

输入层到隐含层权值

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

隐含层到输出层权值

Lw：

2.1845 5.0375 5.9266 -1.7025 -21.4683 0.0045 -10.0223

图3 美国市场训练结果

可发现精度为 0.001，可以接受

输入层到隐含层权值

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

隐含层到输出层权值

Lw：

0.2470 -4.2470 5.5060 -6.2176 0.4696 3.1887 7.4301

两市场对比可发现，美国输入层到隐含层平均权值绝对值较大，为 49 ，中国为 12，中国隐含层到输出层平均权值绝对值较大，为 6.52 ，美国为 3。可见中美股票市场呈现不同的特点。

4.3 问题三：计算中美两个市场 2019年的估值指标

表1 十年内中美市场的六个指标

表2 归一化结果

4.3.1 模型的准备

（1）数据预处理

由于后续的分析中需要用到的两个市场十年之间的六个二级指标的数值，现采用企业的平均值来表示，这样，可以得到美国和中国十年内六个指标的数据。部分见表1。

（2）中美 2019年基本面指标和流动性指标的时间序列分析模型

时间序列分析有多种算法，本文综合使用一次指数平滑法、霍尔特预测法、ARIMA 模型三种算法进行时间序列预测。

4.3.2 模型的建立与求解

Step.1:

采用 spss 中的时间序列分析模块进行预测，spss 可以为每一项指标的预测匹配相应的的最优算法。

结果分析：

对于中国 2019年六项指标的拟合，拟合度都在 0.5 以上，拟合效果良好。

对于美国 2019年六项指标的拟合，有极个别指标的预测值偏大，这是由于本次预测中所采用的的原始数据均为每年指标的平均值，而美国贫富差距比较大，所以导致数据波动较厉害，但为了让模型更加真实有效，保留这部分数据。其余指标都拟合良好。

Step.2:

将上述数据进行归一化处理，见表2。

带入问题二中运用熵权法的得到的表达式，可得出 2019年美国和中国的基本面指标和流动性指标的数值：

表3 2019年美国和中国的基本面指标和流动性指标

Step.3：

得到 2019年的基本面指标和流动性指标后，然后可带入经过训练的神经网络模型中，从而预测出 2019年中国市场和美国市场的估值水平。

表4 2019年中国市场和美国市场的估值水平

需要对结果进行反归一化处理，公式如下：4.4 问题四 预测我国首批 93 家科创板企业上市后的估值水平4.4.1 预测 2019年科技板基本面指标

根据上交所给出的 93 家科创板企业在 2016-2018年间的年度营业收入、年度归母净利润、年度净资产收益率，可以计算出每一年三项指标的均值，以此来表示每一年各个指标的总体水平。带去问题三的时间序列预测模型中，运用 spss 可以得到如下结果：

表5 科创板 2019年指标预测算法

图6 各项指标的 2019 预测值

表6 六个指标的数值

4.4.2 预测估值水平

Step.1:

整理上述结果可得如下结果：见表6。

Step.2：通过美国 NASDAQ 市场的估值量化模型预测科创板

将上述预测到的 2019年科创板的基本面指标和中国 A 股的流动性指标进行数据的归一化处理，考虑到使用美国的估值量化模型，所以在美国环境下进行归一化处理，即将数据加入 2018年美国企业各项指标的表格中，统一进行归一化。此外，由于中美统计过程中计算单位不一致，需将中国的这三项指标同除以进率 70000，换算成美元。再进行归一化，见表7。

表11 2019年两项一级指标的数值

可直接进之前训练好的中国神经网络模型，预测出相应的估值水平。最后结果需要进行反归一化处理。

表7 归一化后六个指标的数值

数据归一化后，按熵权法可得出 2019年两项一级指标的数值

表8 2019年两项一级指标的数值

直接将上述数据输入之前训练好的美国神经网络模型，预测出相应的估值水平。最后结果需要进行反归一化处理。

表9 科技板估值水平

Step.3：通过中国 NASDAQ 市场的估值量化模型预测科创板

与上一步骤类似，使用中国的估值量化模型，在中国环境下进行归一化处理，见表10。

表10 归一化后六个指标的数值

数据归一化后，按熵权法可得出 2019年两项一级指标的数值

表12 科技板估值水平

4.4.3 结果分析

通过分析可以得出无论运用哪种模型进行预测，科技板 2019年上市后的估值水平都将在中等水平附近波动，运用美国模型得出的结果略好于中国模型得到的结果，两者存在一定的差距，说明中国的发展空间还很大，而中国近几年的经济形势呈稳定发展的态势，相信在不久的将来，中国市场的估值水平将与美国市场比肩。