mcpField
R
relative-valuation-multiples

relative-valuation-multiples

github.com/lyndonkl数据与数据库18738 次安装9 周前更新
代码仓库

关于 relative-valuation-multiples

面向分析人员的相对估值技能,用于比较公司与同业的估值倍数,并将差异联系到基本面。流程涵盖倍数选择、同业分布、回归估值和隐含价值评估。

主要功能

  1. 01按公司类型选择倍数
  2. 02统一定义分子与分母
  3. 03汇总同业倍数分布
  4. 04联系倍数与基本面驱动因素
  5. 05用行业回归估算倍数
  6. 06将估值倍数换算为隐含价值

适用场景

  1. 01比较公司 PE 与行业同业
  2. 02用 EV/Sales 评估早期公司
  3. 03判断倍数溢价是否反映增长与风险
  4. 04根据可比公司估算隐含股价

安装

复制下面的命令,在终端中运行。

$npx skills add https://github.com/lyndonkl/claude --skill relative-valuation-multiples

安装后在 Claude Code 中输入/relative-valuation-multiples确认已加载。

包含的文件

除 SKILL.md 外,安装时一起下载的参考资料和脚本。

resources/
methodology.md
template.md
resources/evaluators/
rubric_relative_valuation_multiples.json

详细介绍

相对估值倍数

目录

示例

场景:一家科技公司的市盈率为 35 倍,而行业中位数为 25 倍。这一溢价是否合理?

步骤 1 -- 定义:市盈率 = 每股市场价格 / 每股收益(过去 12 个月,稀释后)。权益倍数:分子(权益市场价值)和分母(归属于权益持有人的净利润)对应相同的索偿权持有人。

步骤 2 -- 描述:45 家软件公司的行业分布:均值 28 倍,中位数 25 倍,第 25 百分位数 18 倍,第 75 百分位数 33 倍,标准差 12 倍。目标公司约处于第 75 百分位数。

步骤 3 -- 分析:市盈率的基本面驱动因素公式为:

PE = Payout Ratio x (1 + g) / (ke - g)

目标公司的预期盈利增长率为 20%,而行业中位数为 12%;其贝塔值为 0.95,而行业为 1.1(风险较低)。更高的增长和更低的风险都支持更高的市盈率。

步骤 4 -- 通过行业回归进行应用:

Regression (n=45, R-squared=0.62):
  PE = 8.2 + 1.5 x (Expected Growth %) - 0.3 x (Beta)

Target predicted PE:
  = 8.2 + 1.5 x (20) - 0.3 x (0.95)
  = 8.2 + 30.0 - 0.285
  = 37.9x (call it ~38x)

Actual PE = 35x
Under/overvaluation = (35 - 38) / 38 = -7.9%

结论:根据该公司的增长和风险状况,回归模型预测其市盈率约为 38 倍。控制基本面因素后,35 倍的市盈率表明该股票相对于行业同业约被低估了 8%。相对估值显示该股票相对于同业较便宜,但无法说明整个行业的定价是否合理。

工作流

复制此清单并跟踪进度:

Relative Valuation Analysis Progress:
- [ ] Step 1: Select appropriate multiples for company type
- [ ] Step 2: Define multiples precisely (numerator, denominator, consistency)
- [ ] Step 3: Build comparable universe and describe distributions
- [ ] Step 4: Analyze fundamental drivers of each multiple
- [ ] Step 5: Apply via simple comparison and sector regression
- [ ] Step 6: Synthesize implied values and assess relative pricing

步骤 1:根据公司类型选择合适的倍数

根据公司特征选择倍数:盈利为正的公司(PE、EV/EBITDA)、资本密集型或金融公司(PBV)、盈利为负或处于早期阶段的公司(EV/Sales)。至少使用两种倍数进行交叉验证。有关选择决策树,请参阅 resources/methodology.md。

步骤 2:准确定义倍数

对于每种选定的倍数,请说明:分子(股权价值或企业价值)、分母(采用哪种盈利/账面价值指标以及对应的时间段),并核实其一致性(股权倍数采用股权层面的指标;公司倍数采用公司层面的指标)。有关定义检验,请参阅 resources/methodology.md。

步骤 3:构建可比公司集合并描述分布

找出风险、增长和现金流特征相似的同行公司。计算每家同行公司的倍数。报告分布统计数据:均值、中位数、第 25 和第 75 百分位数、标准差、数量。比较表请参阅 resources/template.md,分布分析请参阅 resources/template.md。

步骤 4:分析基本面驱动因素

每种倍数都有一个由 DCF 推导出的基本面驱动因素。PE 由增长、风险和派息率驱动。PBV 由 ROE、增长和风险驱动。EV/EBITDA 由税率、再投资、增长和 WACC 驱动。将公司的基本面与其倍数联系起来。有关驱动因素方程和推导,请参阅 resources/methodology.md。

步骤 5:通过简单比较和行业回归进行应用

有两种方法:(a)简单比较——将目标公司的倍数与同行公司的中位数进行比较,并根据基本面差异进行定性调整。(b)行业回归——在同行公司集合中对倍数及其基本面驱动因素进行回归,代入目标公司的数值,并计算预测倍数。回归模板请参阅 resources/template.md。

步骤 6:综合隐含价值

将预测倍数转换为隐含股价或企业价值。计算低估/高估百分比。比较不同倍数的结果是否一致。使用 resources/evaluators/rubric_relative_valuation_multiples.json 进行验证。最低标准:平均得分达到 3.5 或以上。

常见模式

模式 1:PE 比率分析

  • 适用情况:盈利为正的公司;在盈利质量相近时进行跨行业比较
  • 倍数:PE = 价格 / 每股收益(为确保一致性,使用摊薄后过去 12 个月的数据)
  • 基本面驱动因素:PE = 派息率 x (1+g) / (ke - g)。更高的增长和更低的风险意味着更高的 PE
  • 回归变量:预期盈利增长率、beta(或其他风险代理指标)、派息率
  • 注意事项:盈利为负的公司无法计算 PE。周期性盈利会扭曲过去 12 个月的 PE;应使用标准化盈利

模式 2:EV/EBITDA 分析

  • 适用情况:比较资本结构不同的公司或跨税收管辖区进行比较。适用于资本密集型行业
  • 倍数:EV/EBITDA =(市值 + 债务 - 现金)/ EBITDA
  • 基本面驱动因素:受税率、折旧额与 EBITDA 的比率、再投资率、WACC 和增长影响
  • 回归变量:预期收入或 EBITDA 增长率、税率、再投资率、WACC
  • 注意事项:EBITDA 未考虑资本支出差异。相对于折旧额而言资本支出较高的公司,可能会显得估值过低

模式 3:PBV(市净率)分析

  • 适用情况:金融服务业(银行、保险)、资本密集型行业,或盈利波动较大的情况
  • 倍数:PBV = 价格 / 每股账面价值
  • 基本面驱动因素:PBV = (ROE - g) / (ke - g)。ROE 相对于股权资本成本越高,越能支撑更高的 PBV
  • 回归变量:ROE、预期盈利增长、beta 或股权资本成本
  • 注意事项:账面价值取决于会计惯例(历史成本或公允价值)。跨国比较需要采用一致的会计准则

模式 4:EV/Sales(收入倍数)分析

  • 适用情况:早期阶段的公司、盈利为负的公司,或比较利润率结构差异很大的公司
  • 倍数:EV/Sales =(市值 + 债务 - 现金)/ 收入
  • 基本面驱动因素:EV/Sales = 税后营业利润率 x (1 - 再投资率) x (1+g) / (WACC - g)。利润率是关键驱动因素
  • 回归变量:预期收入增长率、营业利润率(或净利润率)、WACC
  • 注意事项:EV/Sales 倍数较低,可能只是反映利润率较低,并不代表估值过低。应控制盈利能力差异

防护措施

  1. 分子与分母一致:权益乘数(PE、PBV)的分子使用权益市值,分母使用权益层面的指标。企业价值乘数(EV/EBITDA、EV/Sales)的分子使用企业价值,分母使用企业层面的指标。混用不同层级会产生毫无意义的数字。

  2. 可比公司样本质量:可比公司应具有相似的风险、增长和现金流特征。同属一个行业只是起点,并不能保证具备可比性。一家快速增长的 SaaS 公司,不会仅仅因为另一家成熟的企业软件公司同属“科技”行业,就与之可比。

  3. 报告分布统计数据:列出均值、中位数、第 25 和第 75 百分位数、标准差及样本数量。对于偏态分布,中位数比均值更稳健(PE 比率明显右偏)。不要只依赖平均值。

  4. 回归样本量:行业回归至少需要 15–20 个数据点,才能得出有意义的结果。低于这一门槛时,优先采用简单的同业比较并进行定性调整。报告 R-squared,以说明解释力。

  5. 分母为负数:将收益为负的公司排除在 PE 分析之外(负 PE 不具备经济意义)。对于 EV/EBITDA,排除 EBITDA 为负的公司;对于 PBV,排除账面价值为负的公司。记录排除的公司数量及原因。

  6. 基本面驱动因素关联:每个乘数都是经过压缩的 DCF。务必明确说明将乘数与增长、风险和现金流模式联系起来的基本面驱动因素公式。如果一家公司的高 PE 得到了其增长和风险特征的合理支撑,就不能称其“昂贵”。

  7. 相对估值与绝对估值:相对估值告诉你一只股票相较于同业是便宜还是昂贵,但不能告诉你它在绝对意义上是被低估还是被高估。如果整个行业都被高估,那么该行业中“最便宜”的股票仍可能被高估。

快速参考

关键公式:

PE = Market Price per Share / Earnings per Share
PBV = Market Price per Share / Book Value per Share
EV/EBITDA = Enterprise Value / EBITDA
EV/Sales = Enterprise Value / Revenue
Enterprise Value = Market Cap + Market Value of Debt - Cash

Fundamental Driver Equations:

PE (stable growth):
  PE = Payout Ratio x (1 + g) / (ke - g)
  where Payout = 1 - (g / ROE)

PBV (stable growth):
  PBV = (ROE - g) / (ke - g)

EV/EBITDA:
  EV/EBITDA = (1 - t) x (1 - Reinvestment Rate / (1-t)) x (1 + g) / (WACC - g)
  simplified: driven by tax rate, depreciation/EBITDA, reinvestment, WACC, growth

EV/Sales (stable growth):
  EV/Sales = After-tax Operating Margin x (1 - Reinvestment Rate) x (1 + g) / (WACC - g)

Sector Regression (general form):
  Multiple = a + b1(Growth) + b2(Risk) + b3(Payout or Margin)

Under/Overvaluation:
  = (Actual Multiple - Predicted Multiple) / Predicted Multiple

按公司类型选择多个估值倍数:

公司类型主要倍数次要倍数理由
盈利且稳定PEEV/EBITDA盈利可靠,PE 直观
资本密集型EV/EBITDAPBVEBITDA 可消除折旧方法的影响
金融服务PBVPE账面价值对银行具有经济意义
亏损/早期阶段EV/SalesEV/EBITDA(若为正)即使没有盈利,仍有营收
跨境比较EV/EBITDAEV/Sales企业倍数不受资本结构影响
高增长科技EV/SalesPE(远期)营收增长是主要价值驱动因素

关键资源:

所需输入:

  • 目标公司财务数据:EPS、每股账面价值、EBITDA、营收、市值、债务、现金
  • 可比公司数据:各同业公司的相同财务指标(回归至少需要 15-20 家)
  • 增长预期:目标公司和同业公司的预期盈利或营收增长率
  • 风险指标:目标公司和同业公司的 Beta、债务比率、权益资本成本或 WACC
  • 盈利能力指标:目标公司和同业公司的 ROE、营业利润率、派息率

生成的输出:

  • relative-valuation-analysis.md:完整分析,包含同业比较、分布统计、回归结果、隐含价值以及高估/低估评估

评论

支持 Markdown