基于因子分析的科创板拟上市企业估值模型

范蓉蓉　廖国威

摘 要：本文首先对美国纳斯达克的估值模型展开研究，先以2014―2018年的数据作为研究样本，剔除部分异常值后利用因子分析法将市销率和6个基本面指标和流动性指标构建回归模型，并以此作为科创板上市企业的估值量化模型;然后运用灰色预测模型得出了科创板市场2019年的基本面指标，结合美国纳斯达克市场的估值量化模型与中国A股市场2016―2019年的流动性指标，预测我国首批科创板企业上市后的估值水平。

关键词：科创板;估值;市销率;多元回归;MATLAB

一、背景概述

为了促进科技创新能力的发展以及不断完善市场投资， 我国创立了科创板模块。科创板作为独立于现有主板市场的新设板块，对我国提升科技创新能力以及完善市场功能板块具有重大意义，被称为我国的纳斯达克。为了吸收投资，准确地对科创板上市企业进行估值显得至关重要。然而当下对科创板上市企业估值水平的研究不多，我国A股市场和美国纳斯达克市场的估值水平研究较多，我国A股公司上市时一般采用市盈率法，而科创板的企业具有很大的特殊性，所以估值参照美国同类型市场纳斯达克上市公司的平均市销率法，即以市销率代表上市企业估值水平。

本文的数据大部分借助于国泰安数据服务中心，数据包括有科创板2016―2018年已受理企业的基本面指标数据，具体是营业收入、归母净利润、净资产收益率;我国A股市场和美国纳斯达克市场的2014―2018年的估值指标、基本面指标和流动性指标，具体是市销率、营业收入、归母净利润、净资产收益率、年成交量、年平均换手率、年成交额。本文模型的建立基于以下几点假设：①假设指标间的弱相关关系对评价结果的影响不计。②假设我国A股市场（上证指数成分股）与美国纳斯达克市场没有发生较大的波动。③假设所有数据来源真实可靠。

二、研究方法

为了对我国科创板的市值水平进行有效评估，本文以美国纳斯达克的数据指标为参考，探索科创板的市场市值状况，并将中美市场估值水平进行比较分析。首先，为了计算出A股市场的平均市销率，运用聚类分析和绘制散点图的方法将市场分为五类，以营业收入为权重计算每个类别的平均市销率，再以年成交额为权重计算我国A股市场的市销率，美国纳斯达克与此类似。其次，检验和因子分析建立估值指标、基本面指标、流动性指标之间的模型，然后运用灰色预测模型对2019的基本面指标和流动性指标进行预测，并代入市销率与六个指标的函数关系式当中，分析市场的发展趋势和中美股票市场之间的差距。最后，根據相关数据搜集到的93家股票的数据为基础，参考美国纳斯达克市场的估值模型对我国科创板市场的估值水平进行预测和评估，最后对模型的运用做出相关总结。

三、因子分析

首先对数据进行预处理，以市销率为因变量，仅六个基本面指标和流动性指标为自变量，检验变量之间是否可以运用因子分析，然后借助SPSS软件提取公因子，并在此基础上建立公因子载荷矩阵，最终得出因子评价模型。

1.数据预处理

对数据的预处理主要有以下几个方面：第一，剔除市销率（倍数）为零的公司，因为这些公司是在2019年上市的;第二，剔除我国A股市场的北汽蓝谷以及美国纳斯达克市场的数海信息以及我国贷款这五所上市公司的数据，因为在数据处理中发现，这五所公司的市销率（倍数）异常于同行业;第三，剔除B股的数据。剔除异常数据后，2018年我国A股市场还剩1440家公司，美国纳斯达克市场还剩2247家公司，科创板剩余93家企业。同样，本文的数据指标的单位存在并不统一的问题，因此，通过数据清洗一些等方法对指标数据进行归一化处理，避免由于数据间的单位差异而产生数据偏差，使得结果更加准确。

2.数据的检验

要想运用因子分析解决相关问题时需要满足一定的前提条件，因子分析的前提是各变量之间存在一定的内在关系，其适用性检验通常运用KMO与Bartletts检验来完成，常常把KMO统计量运用于比较变量之间的偏相关性，仅当偏相关系数的数据小于简单相关系数时，被分析的变量之间存在相互关联，该统计量与1越接近则越适合运用该方法。一般计算时只要统计量大于0.6即可，小于0.5的一般不适用因子分析的方法。

在第一问剔除异常数据的基础上，本文将首先选取2014―2018年的数据进行检验，借助SPSS软件可得到相关数据的检验值。可以得出，2014―2018年我国A股市场营业收入、归母净利润、净资产收益率、年成交量、年平均换手率以及年成交额六个指标的相关数据的检验值为0.627，美国纳斯达克市场营业收入、归母净利润、净资产收益率、年成交量、年平均换手率以及年成交额六个指标的相关数据的检验值为0.795，均大于最低检验系数标准0.5，所以可以进一步进行因子分析。

3.提取公因子和建立因子载荷矩阵

为了拟合出估值指标与基本面指标、流动性指标之间的关系，数据指标通过验证后即可采用因子分析的方法。通过对碎石图、方差贡献率、因子载荷阵和成分得分系数等进行分析，选取四个公因子分别为f₁，f₂，f₃，f₄。根据我国A股市场因子分析碎石图，选取出我国A股市场的特征根一共有4个，因此选择提取四个公共因子分别是f₁，f₂，f₃，f₄，根据美国纳斯达克市场因子分析碎石图，再次选择的符合条件的特征根一共有4个，同样，本文选择提取四个公因子f'₁，f'₂，f'₃，f'₄，经过SPSS因子分析得到特征根与方差贡献率表、旋转后的因子载荷阵以及成分得分系数矩阵。

由我国A股市场特征根与方差贡献度表可知，前四个因子的特征根累积方差贡献率已达到87.654%，因此保留前四个公因子f₁，f₂，f₃，f₄根据美国纳斯达克市场特征根与方差贡献度表可知，前四个因子的特征根累积方差贡献率已达到90.526%，因此保留前四个公因子f'₁，f'₂，f'₃，f'₄，说明公因子的累积有效程度基本满足实际要求。由我国A股市场旋转后的成分矩阵可知，将可以得到四个旋转后的特征根λ₁、λ₂、λ₃、λ₄，由美国纳斯达克市场旋转后的成分矩阵可知，将可以得到四个旋转后的特征根λ'₁、λ'₂、λ'₃、λ'₄。

4.计算得分和排序

由软件结果可以得到4个旋转后的特征根λ₁、λ₂、λ₃、λ₄，由特征根与方差贡献度表可知，将可以得到四个旋转后的特征根λ'₁、λ'₂、λ'₃、λ'₄。在此基础上，本文通过观察我国A股市场得分系数矩阵可以得到公因子f₁，f₂，f₃，f₄的得分系数，从中可以看出，我国A股市场与估值指标相关性程度最高的是流动性指标下的年平均换手率，其中相关性程度最低的是基本面指标下的营业收入;而美国纳斯达克市场与估值指标相关性最高的基本面指标下的净资产收益率，其中相关性程度最低的是基本面指标下的归母净利润。计算出纳斯达克市场和我国A股的估值量化模型，考虑到科创板是新设板块，其与纳斯达克市场较为相似，因此科创板市场估值将运用纳斯达克市场估值水平模型。

四、基于灰色预测模型预测科创板市场估值

首先以2016―2018年A股市场每只股票的流动性指标为基础，在此基础上运用加权平均计算出2016―2018年市场的流动性指标，以我国A股市场的平均指标视作科创板的流动性指标。然后根据灰色预测模型，本文可以得到我国A股市场2019年的基本面指标和流动性指标。最后根据科创板估值量化模型计算出2016―2019年科创板的市销率，并预测出2019年我国首批科创板企业上市后的估值水平范围。

根据数据搜集可知科创板基本面指标营业收入、年度归母净利润、年度净资产收益率，但是流动性指标缺失，因此运用我国A股市场的三个流动性指标代替科创板的流动性指标。运用科创板的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等六个指标进行灰色预测模型。最终得出六个指标的数值。现在将2016―2019年的营业收入、年度归母净利润、年度净资产收益率、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代入科创板股指量化模型。可得出2016―2019年的市销率。可以看出2019年科创板的市销率预测值为7.93，根据数据分析，2019年科创板的市销率范围是4.50―9.27。

五、结语

本文建立了基于因子分析的多元回归线性模型，从而建立了我国A股市场和美国纳斯达克市场的估值指标与基本面指标、流动性指标之间的关系模型，借助因子分析构建数学模型时是基于原有数据的基础上进行分析和组合，寻找共有因子，对数据进行简化，而不是对原有数据进行选擇。这样的数学模型的建立比普通的模型有很多的优点，不仅使得模型更加准确，而且因子分析方法运用旋转使得变量的关系更加清晰，其他股票板块也可运用该模型和方法，从而了解相关性程度。

本文建立的灰色预测模型，并利用软件分别预测2019年营业收入、归母净利润、净资产收益率、年成交量、年平均换手率以及年成交额等6个指标的数据值，也可以运用于主板市场的其他板块，从而用来预测以后年度的走势，做出精确的估量，帮助其更好发展。

参考文献

1.王尧.新三板企业估值方法研究.天津大学，2016.

2.郭腾.新三板企业的估值方法比较研究.暨南大学，2015.

3.鹿媛媛.基于市场法的企业估值影响因素研究.南京财经大学，2013.

4.张雄.聚类分析中最佳聚类数确定方法研究.南京邮电大学，2018.

5.甘志.我国信托公司核心竞争力研究.对外经济贸易大学，2018.