之前在公众号写过一篇关于金融企业估值的文章（“金融企业估值：P/E还是P/B？”），讨论倍数法（相对估值法）下适用的指标。对估值工作稍有了解的读者自然知道，常见的估值方法无外乎倍数法、现金流折现法（DCF）、杠杆收购法（LBO）这么几种。
从纯理论的角度来说，现金流折现法似乎是最符合逻辑、最能自圆其说的一种估值方法 —— 企业当下的价值（EV）等同于未来所有产生的自由现金流的现值之和，道理上来说无懈可击。而倍数法的逻辑基础则似乎没那么坚实 —— 因为别人都在按这个价格买，所以我们也要按这个价格买 —— 听上去是不是弱了很多？
但在实际情况中，大部分投资并购案例当然会同时使用多种方法，以求计算结果能“交叉验证”自己的判断（或者不如说，求得一种心安理得的安慰）。然而当不同的估值方法推导出的结果互相冲突时（这是再常见不过的常态），往往看似随大流的倍数法会成为投资人或咨询机构首推的估值结论来源，而现金流折现法则沦为仅供参考的附庸，乃至被要求做“适当调整”以配合倍数法的估值结果。
何以看上去很美的现金流折现法在实践中的地位没有教科书里那么高？
本文里并不打算复述教科书的内容，但是为了方便讨论，还是先把基本公式列一下。通过净现值计算企业价值时有三个基本变量，或者也可称之为三个“不靠谱”的假设：自由现金流预测，预测期间，折现率。大部分人可能直觉认为自由现金流预测是最不靠谱的，毕竟在现如今快速变化又充满意外的商业社会里要准确预测几个月后的业务都很困难，遑论预测未来若干年的情形。这个看法当然也不能算错，按杰弗里.胡克的说法，100家公司做财务预测，其中100家事后证明预测都是错的 —— 也许有5家的实际情况远好于预测，另外95家则远比预测要差。
但其实就净现值计算模型而言，最不靠谱（或者说最容易导致净现值计算结果不靠谱）的是另一个变量：贴现率。因为构成净现值最大的一个成分往往并不是编制了详细财务预测的那几年数据，而是一个笼而统之、估计十分粗略的终值（residual value），贴现率的选择对终值结果有着巨大影响。
上面是一个非常简单的例子。为了简化情况，设定为该项目第6年以后为固定的自由现金流。分期计算现值后可以看到，哪怕做了五年的详细预测，其自由现金流现值之和也只占净现值结果的1/3以下；在两个对比情景中，贴现率变化了1%，终值的变化超过200，波幅15%；而前面呕心沥血做的那几年预测的净现值合计差异只有20，波幅3%，对净现值结果的影响几乎可以忽略。（终值计算的另一种方法是退出乘数法，这里不详细说明，但一样需要进行贴现，还是免不了受贴现率的影响。）
那么贴现率从何而来？估值计算中，常常用加权平均资本成本（WACC）来折现，其中债务成本比较容易，按税后借款成本计算即可；股权融资成本多以CAPM或者APT或者任何其他教科书上教导的经典方法来算贴现率。我们以最常见的资本资产定价模型（CAPM）为例，公式大家都很熟悉：R = Rf + β * (Rm - Rf) + size premium
无风险利率Rf的来源很简单，十年期国债利率摆在那里，直接拿过来用；市场平均回报率Rm也不难，任何一个知名数据库里都有道琼斯、标普500、纳斯达克等股指过去二三十年的回报数据（当然其他市场、尤其是非发达资本市场的数据会缺得多，需要从发达市场的回报率再加上非常主观的地区差异溢价来推算，也比较麻烦）；但最大问题是，风险系数β要怎么办？
β反应的是项目企业的风险，是决定贴现率的核心变量。通常情况下不可能直接计算某一特定企业的β值，充其量只能参考其所在行业的平均水平。而这个行业平均值也并非唾手可得的信息。—— 倒是也可以花钱买，Bloomberg、Duff&Phelps这些机构都提供付费的数据库或者估值年鉴。运气好的话，你还能从一些免费的渠道找到一些学术成果，比如纽约大学的金融学教授、著名的估值专家Aswath Damodaran在2019年就统计了五年内全美上市公司的收益波动情况，并分别计算了近100个行业的β值，这个数据是可以免费获取的。
（原数据表很大，这里只截取一部分示意）
然而难点在于，你无从知晓数据库里的行业划分是按什么标准来的，也很难判断自己手上的项目要塞进哪个“抽屉”。除了少数大型投资标的可以比较明确地找到市场上的对标对象外，大部分中早期项目恐怕都搞不清要把数据库里哪些对象拎出来（要么是分不清明确的对标对象，要么是对标对象本身的数据也不公开、查不到），甚至搞不清要把标的项目归到数据库的哪个行业里去（对模式新创、业务转型或者业务复合的项目尤其如此）。
举例来说，Damodaran统计的分类表里包括“航天国防工业”、“电子产业”、“医疗产品行业”，行业β值分别是1.24、1.02、1.12，那么一家在国防领域从事医疗仪器电子类部件研发的企业要把自己归入哪一类呢？同样的，复合产业或多元化经营的项目也会令人头痛 —— 比如对于常去欧洲旅行的背包客，有个不会陌生的名字叫Nord Fish，这家公司从渔业捕捞、加工、批发、零售、直至连锁餐饮，实现了一条龙（类似的还有日本的矶丸水产，同样为游客所熟知），那么面对统计表里的“食品加工（β值0.81）”、“食品批发（β值1.62）”、“食品零售（β值0.45）”、“餐饮（β值0.80）”，又当如何选择呢？如果强行套用，那结果和拍脑袋的“灵光一现”也差不了多少。
还有，贴现率中的规模溢价（size premium）又怎么算？教科书理论认为，即使从事的业务完全相同，不同规模体量的企业风险也有明显差异，需要对风险系数做出代偿。这当然是完全正确的要求。但第三方数据库里对企业的“规模”划分可能只有粗略的几档，并且你要投资的项目在某个指标上归入中档时，另一个指标上可能又属于小档，这又该怎么办呢，大约只能继续和稀泥。况且成千上万的企业按某一个统一的度量划分到若干个档位里，这件事本身也谈不上多么科学。以Duff&Phelps的估值年鉴为例，其中对企业规模溢价设定了三大类、十小类。但其划分依据仅仅是企业市值，并未考虑任何财务指标（即使销售收入、毛利、总资产等直接关乎“规模”的参数也未被考虑），这种划分依据是否足够合理就见仁见智了。
Duff&Phelps Valuation Handbook
其结果就是，贴现率变成了一门“玄学”而非“科学”，折出来的净现值自然玄而又玄。就像最上面的例子中，贴现率改变一个百分点，估值结果可能波动15%-20%，这谁受得了呢。
相较之下，倍数法尽管看上去没有那么“严谨”和“学院”，却有一种现金流折现法无法达到的效果：我就算错了，也只是和市场大众错在一个水平线上，谁也别笑话谁 —— 即“甩锅利器”。换而言之，即便倍数法计算的估值结果背离了这个项目的“真实价值”，这种差错也是一种已然被市场接受的“可实现差错”。
以市场上已实现的交易对价为参照来估值，意味着无论是否合理，都容易找到上家或下家。任何市场投资行为说到底是一种人与人之间的交易，交易对手是市场中一个个活跃的、有自我判断的人，而非一个绝对存在的“合理数值”。很多场景下，做成一个交易也许比用“绝对正确”的价格做一个交易更重要；同时，做得“不比别人差”也比做得“绝对够好”更重要。以风投行业来说，一支基金快要到期还没投完时，寻找项目把钱花出去也许比这笔交易未来是否成功更加重要。同样，LP们考察GP的业绩时，总是习惯于横向比较不同基金的IRR，但不见得会去评估在过去的三五年里一家VC或PE“应该”从市场上取得怎样的回报率（事实上也几乎无法评估），那么以市场通行的交易估价来投资的GP大致总可以保证自己的投资成本处在“不比别人贵”的水平上 —— 至于这些项目“本可能”用什么价格来投，似乎LP们也并不关心。
于是乎，这也就成为了实践中多用倍数法估值结果为主、而现金流贴现结果只能作为参考的主要原因。
作者： 边中炜
联系客服
