论文部分内容阅读
科创板试点注册制，是我国新股定价制度不断向市场化方向推进的一个重要节点。随着科创板的推出，机构投资者在新股定价上的话语权增强，科技型企业的估值方式也较传统市盈率估值法有较大扩展，探索适合科创型企业的估值方法，有助于未来对于科创板公司进行合理定价。因为相比传统行业，科技类企业具有高成长、高投入、高风险、无形资产占比大的特点，其产品由于技术水平高，具有较强的市场垄断力，一旦为市场所接受，就会表现出较强的扩张力，但前期需要大量的资金投入，并且企业技术风险较高，盈利最终主要依靠无形资产来实现[1]。所以对于科创板企业上市后估值方法可以考虑采用市销率法，估值可参照美国同类型市场NASDAQ上市公司的平均市销率，但因为中国市场和美国NASDAQ上市的企业盈利能力不同和投资者结构的差异，会导致中国与美国的股票市场估值水平存在估值溢价或折价。
本文针对科创板企业上市的估值问题，首先用回归统计分析中国2018年A股市场和美国2018年NASDAQ市场的市销率，用平均市销率作为估值水平，计算年均股价并对其和市销率进行回归拟合。对比中美两个股票市场，得出估值溢价或折价水平。然后构造线性回归模型，对中国A股市场和美国NASDAQ市场的年均股价进行定量分析。选用灰色预测模型和回归统计分析对两个市场2019年的基本面指标和流动性指标进行预测分析，得出估值指标。同样采用回归方程对93家申报科创板上市的企业进行估值水平预测。
首先测算2018年中国A股市场与美国NASDAQ市场的估值水平，并得出两个市场的估值溢价或折价水平。选取平均市销率作为估值水平。根据公式年均股价y=年成交金额/年成交量，建立回归方程求解，得到平均股价y与市销率x的关系。计算出平均市销率与平均股价的比值，即可得出估值溢价和折价水平。对数据进行预处理，确保数据的准确性。计算得出两个市场的平均市销率，中国2018年A股的平均市销率为4.9650，美国2018年NASDAQ市场的平均市销率为140.65元。然后对两个市场进行对比分析，
为中国A股年平均市销率/平均股价，
为美国股票年平均市销率/平均股价，于是可以得到
，所以中国A股溢价了74%，美国NASDAQ市场折价了74%。
然后建立估值指标与基本面指标、流动性指标之间的关系，常见的来说，就是进行拟合回归。我们重点要做的就是找到一个模型，这个模型能拟合出某一个指标与其他指标之间的联系。在这里我们选择多元线性回归模型来对估值指标与基本面指标、流动性指标进行定量分析。先对数据进行处理，然后运用SPSS即可得出相关系数。设
为中国A股的平均股价，
为市销率，
为年度营业收入，
为年度归母净利润，
為年度净资产收益率，
为年度单只股票交易量，
为年度单只股票平均换手率，
为年度单只股票交易金额。 选择多元回归方程进行拟合，得到中国A股平均股价的多元回归方程
美国平均股价的多元回归方程：
对中国A股市场和美国NASDAQ市场2019年的基本面指标、流动性指标进行预测分析，然后得出两个市场的估值指标。简单分析知道，这是一个基本的预测问题。利用近十年基本面指标、流动性指标的数据，经过数据处理后，我们选用灰色预测模型和回归方程进行预测。计算出近十年的平均股价，用灰色预测模型预测2019年的平均股价。回归方程则以基本面指标、流动性指标等为因变量，时间为自变量构造回归方程。用灰色预测模型得到2019年中国A股的平均股价为16.7714元，百分绝对误差为：2.015%。美国NASDAQ市场的平均股价为250.4381元，百分绝对误差为：14.8001%。用该模型对中国、美国股票连续预测4个数据，百分绝对误差偏大，说明预测的四个值存在偏差。于是，考虑用线性回归方程预测中美两国2019年股票的平均股价。回归方程预测得到的2019年中国A股的平均股价为16.85元;美国NASDAQ市场的平均股价为265.85元。
参照美国NASDAQ市场的估值量化模型和中国A股市场的流动性指标，预测我国首批科创板企业上市后的估值水平。已知93家企业2016年至2018年的营业总收入、归属母公司股东的净利润、净资产收益率等数据。选用回归方程模型进行估值水平预测，以年平均股价为因变量，营业总收入、归属母公司股东的净利润、净资产收益率为自变量进行回归拟合。分别用2016年、2017年、2018年及2016至2018年三年的数据，对中国A股年均股价与营业总收入、归属母公司股东的净利润、净资产收益率进行回归拟合。同样的，分别用2016年、2017年及2016年至2017年两个的数据，对美国股票年均股价与营业总收入、归属母公司股东的净利润、净资产收益率进行回归拟合。得出科创板上市后的数值水平。
我们在与实际紧密聯系的基础上采用灰色预测模型进行预测，但是预测结果存在的误差偏大。考虑可能与数据波动较大，在经过对原始数据一次累加生成新数据，使数据平滑这种处理方式时，会丧失部分信息使拟合精度受到影响[2]。于是用最直观的回归统计分析模型将问题标准化，从而得到最优的预测值。通过准确地计量各个因素之间的相关程度与回归拟合程度的高低，得出最佳结论。
参考文献：
[1] 朱斌，科技型企业该如何估值？，证券时报，第A07：2019.3.20.
[2] 宋媛媛，王雷，熊甜，灰色预测模型GM（1，1）在手足口病发病率预测中的应用[J].公共卫生与预防医学，2018，29（05）：57-60.
本文针对科创板企业上市的估值问题，首先用回归统计分析中国2018年A股市场和美国2018年NASDAQ市场的市销率，用平均市销率作为估值水平，计算年均股价并对其和市销率进行回归拟合。对比中美两个股票市场，得出估值溢价或折价水平。然后构造线性回归模型，对中国A股市场和美国NASDAQ市场的年均股价进行定量分析。选用灰色预测模型和回归统计分析对两个市场2019年的基本面指标和流动性指标进行预测分析，得出估值指标。同样采用回归方程对93家申报科创板上市的企业进行估值水平预测。
首先测算2018年中国A股市场与美国NASDAQ市场的估值水平，并得出两个市场的估值溢价或折价水平。选取平均市销率作为估值水平。根据公式年均股价y=年成交金额/年成交量，建立回归方程求解，得到平均股价y与市销率x的关系。计算出平均市销率与平均股价的比值，即可得出估值溢价和折价水平。对数据进行预处理，确保数据的准确性。计算得出两个市场的平均市销率，中国2018年A股的平均市销率为4.9650，美国2018年NASDAQ市场的平均市销率为140.65元。然后对两个市场进行对比分析，
为中国A股年平均市销率/平均股价，
为美国股票年平均市销率/平均股价，于是可以得到
，所以中国A股溢价了74%，美国NASDAQ市场折价了74%。
然后建立估值指标与基本面指标、流动性指标之间的关系，常见的来说，就是进行拟合回归。我们重点要做的就是找到一个模型，这个模型能拟合出某一个指标与其他指标之间的联系。在这里我们选择多元线性回归模型来对估值指标与基本面指标、流动性指标进行定量分析。先对数据进行处理，然后运用SPSS即可得出相关系数。设
为中国A股的平均股价，
为市销率，
为年度营业收入，
为年度归母净利润，
為年度净资产收益率，
为年度单只股票交易量，
为年度单只股票平均换手率，
为年度单只股票交易金额。 选择多元回归方程进行拟合，得到中国A股平均股价的多元回归方程
美国平均股价的多元回归方程：
对中国A股市场和美国NASDAQ市场2019年的基本面指标、流动性指标进行预测分析，然后得出两个市场的估值指标。简单分析知道，这是一个基本的预测问题。利用近十年基本面指标、流动性指标的数据，经过数据处理后，我们选用灰色预测模型和回归方程进行预测。计算出近十年的平均股价，用灰色预测模型预测2019年的平均股价。回归方程则以基本面指标、流动性指标等为因变量，时间为自变量构造回归方程。用灰色预测模型得到2019年中国A股的平均股价为16.7714元，百分绝对误差为：2.015%。美国NASDAQ市场的平均股价为250.4381元，百分绝对误差为：14.8001%。用该模型对中国、美国股票连续预测4个数据，百分绝对误差偏大，说明预测的四个值存在偏差。于是，考虑用线性回归方程预测中美两国2019年股票的平均股价。回归方程预测得到的2019年中国A股的平均股价为16.85元;美国NASDAQ市场的平均股价为265.85元。
参照美国NASDAQ市场的估值量化模型和中国A股市场的流动性指标，预测我国首批科创板企业上市后的估值水平。已知93家企业2016年至2018年的营业总收入、归属母公司股东的净利润、净资产收益率等数据。选用回归方程模型进行估值水平预测，以年平均股价为因变量，营业总收入、归属母公司股东的净利润、净资产收益率为自变量进行回归拟合。分别用2016年、2017年、2018年及2016至2018年三年的数据，对中国A股年均股价与营业总收入、归属母公司股东的净利润、净资产收益率进行回归拟合。同样的，分别用2016年、2017年及2016年至2017年两个的数据，对美国股票年均股价与营业总收入、归属母公司股东的净利润、净资产收益率进行回归拟合。得出科创板上市后的数值水平。
我们在与实际紧密聯系的基础上采用灰色预测模型进行预测，但是预测结果存在的误差偏大。考虑可能与数据波动较大，在经过对原始数据一次累加生成新数据，使数据平滑这种处理方式时，会丧失部分信息使拟合精度受到影响[2]。于是用最直观的回归统计分析模型将问题标准化，从而得到最优的预测值。通过准确地计量各个因素之间的相关程度与回归拟合程度的高低，得出最佳结论。
参考文献：
[1] 朱斌，科技型企业该如何估值？，证券时报，第A07：2019.3.20.
[2] 宋媛媛，王雷，熊甜，灰色预测模型GM（1，1）在手足口病发病率预测中的应用[J].公共卫生与预防医学，2018，29（05）：57-60.