股市投資 小副述文字一共二十個字小副述文字一共二十


基金ETF 小副述文字一共二十個字小副述文字一共二十


全球總經 小副述文字一共二十個字小副述文字一共二十


理財商業 小副述文字一共二十個字小副述文字一共二十


消費信用 小副述文字一共二十個字小副述文字一共二十


保險稅制 小副述文字一共二十個字小副述文字一共二十


房產生活 小副述文字一共二十個字小副述文字一共二十


 
淺談股票評價模型:GGM 與 SPM
作者 Aaron
收藏文章
很開心您喜歡 Aaron 的文章, 追蹤此作者獲得第一手的好文吧!
Aaron
字體放大


分享至 Line

分享至 Facebook

分享至 Twitter


淺談股票評價模型:GGM 與 SPM

2017 年 4 月 18 日

 
展開

最近在研究股票評價模型 (stock valuation model,用來估算股票的合理價) ,希望可以加強自己計算股票內在價值的能力。今天會介紹兩種評價模型: GGM 與 SPM 。以下關於公式推導等純數學的部分,我猜想看的人可能不多,所以就先省略。

高登成長模型 (Gordon Growth Model, GGM )

GGM 是股利折現模型 (dividend discount model, DDM) 的一個特例,即假設股利會永遠以固定的成長率來成長。公式如下:

Aaron)淺談股票評價模型:GGM與SPM_內文圖01

  • P:股價 (合理價)
  • D:每股現金股利
  • K:折現率 (discount rate) ,或者期望報酬率
  • G:成長率,可以用 G = ROA × RR (保留盈餘率) 來計算 (參閱:ROA的意義與公司的成長性)

這個模型的意義是「計算一檔股票未來所有現金股利經折現率調整後的現值 (present value, PV) 」。

永續和評價法 (Sum of Perpetuities Method, SPM)

這是我在網路上發現的一個模型,是在 Brown and Abraham (2012) 這篇論文中發表的。網路上不多人討論,相關資料也很少。目前我在網路上搜得到的關於 SPM 的論文就只有兩篇。一篇就是剛剛提到的 Brown and Abraham (2012) ,另一篇是 Jansen (2013) 。目前我沒有找到這個模型的中文翻譯,所以我從字面上翻成「永續和評價法」,也希望以後可以有更好的翻譯。公式如下:

Aaron)淺談股票評價模型:GGM與SPM_內文圖01 複本

  • P:股價 (合理價)
  • E:EPS
  • G:成長率,G = ROA × RR
  • K:折現率,或者預期報酬率
  • D:每股現金股利

在 Brown and Abraham (2012) 中,作者表示 GGM 的缺點是,輸入條件一點微小的改變,就會嚴重地影響計算出的合理價。因此作者提出 SPM 這個模型。 SPM 對於輸入條件比較不敏感,因此計算的的合理價波動不會太大,比較符合現實。作者也回測 (backtest) 過去 25 年的美國 S&P 500 指數,發現 SPM 所算出的合理價與真實股價之間的相關係數 (correlation coefficient) ,比 GGM 與真實股價高很多 (0.902 vs -0.274) 。因此,作者認為 SPM 是比 GGM 更準確也更實用的一個股票評價模型。

比較 GGM 與 SPM

另一篇論文 Jansen (2013) 則更深入的分析 SPM 這個模型背後的意義,並比較 SPM 與 GGM 的差異。首先,在「貼現率 = 公司 ROE (或 ROA) 」的特例中,GGM 與 SPM 這兩個評價模型是等價 (equivalent) 的。在其他一般情況,因為兩種模型的隱含假設 (implicit assumption) 不同,所以兩者並不等價。 GGM 假設未來發放的股利永遠維持獲利的一定比例 (例如:現金發放率永遠維持 50%) ;而 SPM 則假設未來發放的股利永遠維持一定的金額 (例如:不管公司獲利多少,都只拿 1 億出來發現金股利)

至於這兩個模型哪個比較好?這篇的作者認為,應該先觀察公司的股利政策比較偏向 GGM 的假設還是 SPM 的假設。然後選擇比較接近公司股利政策的模型來使用。另外,作者還提出一個融合了 GGM 與 SPM 的模型,不過我認為太複雜、且必須做更多的假設,並不實用,所以這裡不提。

計算報酬率

上面的兩種評價模型原本的公式,都是在計算合理價。但是我認為把折現率拉出來,變成報酬率,會更好用。原因有二:

1. 折現率的問題:要使用原本的公式來計算合理價,就必須自己設定折現率 (或預期報酬率) 。但是,我認為這是非常困難的。而且,每檔股票的折現率也不必然相同。

2. 方便比較:我們通常不只是在評價一檔股票是否值得買進,更是在觀察名單內的多檔個股中,比較哪一檔最值得買進。

把 GGM 及 SPM 本來的公式移動一下,把折現率拉到左邊,就可以計算報酬率。於是,這兩個評價模型就變成在計算「以現在的股價買進這檔股票,預期可以得到多少報酬率」。這樣就可以把觀察名單內的個股都用這個公式算出預期報酬率,彼此來做比較,並且與一些標竿 (benchmark) 相比。以下 GGM 計算報酬率的式子是廣為流傳,很多人都知道的;而 SPM 的式子是我自己解出來的,上述兩篇論文中都沒有。

GGM

Aaron)淺談股票評價模型:GGM與SPM_內文圖03

SPM

Aaron)淺談股票評價模型:GGM與SPM_內文圖01 複本 3

詳細用法

以下介紹我使用這兩個評價模型的詳細方法。

  • EPS: 五年淨利平均 / 流通股數
  • G: ROA × RR
  • RR: 五年平均 (1 – (現金股利 / EPS) )
  • ROA: 五年淨利平均 / 總資產
  • D: EPS × (1 – RR)
  • P、資產、流通股數:最新資料

思考了很久後,我決定放棄之前減掉標準差的概念,直接用平均。這是因為,之前平均減標準差的方法會導致成長股會被扣分。舉例來說,五年 EPS 分別為「1、2、3、4、5」及「5、4、3、2、1」的兩家公司,其平均減標準差是一樣的。現在既然這兩種算法有納入成長,那這個減標準差的方法自然不再適合。另一方面,我認為如果投資時間拉長,那偏離平均的差異有機會正負相抵,所以扣掉標準差的意義不大。

另外,之前我是直接用 EPS 去算平均。現在則是用五年的淨利,平均後再除以流通股數計算平均 EPS。這是因為考慮到股票的流通股數 (或股本) 可能會因為發股票股利等等而變動,所以這樣做比較合理。還有就是,在這裡我依然喜歡 ROA 多過 ROE,所以我用 G = ROA × RR 來計算 (原因請看 ROA 的意義與公司的成長性) 。一般比較常用的是G = ROE × RR。我覺得也可以,只是我個人比較喜歡用 ROA 就是了。

探討實用性

這裡提醒一下,在使用評價模型的時候,要注意模型的原理與基本假設。舉個例子,完全不配現金股利時, GGM 是不適用的。大家可以試著把一家不配現金股利的公司代入 GGM 報酬率的公式計算。我們會發現計算結果是「報酬率 = ROA (或者 ROE) 」。這是不合理的。

想想看,如果一家公司不發現金股利,且 ROA 為 20%。難道我 10 元買進跟 100 元買進,預期報酬率都一樣是 20% ?當然不是這樣。問題是出在 GGM 公式本身的定義上。上面說過 GGM 公式的意義是現金股利折現。沒有配現金股利,當然就沒有東西可以折現、算現值。其實 GGM 在導出公式的過程中,根據定義現金股利就必須大於零。只是大家通常只看公式,卻不管公式是怎麼導出來的,所以容易忽略這些細節。

再次提醒,模型或公式都只是輔助。可以當作參考,但不應該完全依賴。這次介紹的兩個模型,都假設股利政策與成長率永遠維持一樣。但是,公司會依照經營狀況而調整股利政策。成長率也不一定會照我們估計的值,可能更高,也可能更低。再來,我們也必須要加上自己的主觀判斷

舉例來說,某公司某年獲利大增是因為賣土地,並不是常態,所以應該要扣除那年的業外收益。這些情況太多了,無法一一列舉,只能靠大家自己判斷。同時,未來充滿變數,所以我們在買進時也必須保留夠大的安全邊際。

另外要注意的是,我認為選股和計算合理價,應該是兩個分開的步驟。所以說,我們應該先以基本面、財報等方法選出自己的觀察名單,再用這兩種模型或其他的評價方式,去計算合理價或者預期報酬率,決定要不要買進。而不是把兩個步驟混在一起進行。雖然這兩個模型有納入 ROA (衡量公司好不好的一個指標) ,但是對於公司安全性、你了不了解公司等問題並無幫助。所以,在使用這些模型前,一定要先仔細地閱讀過財報,以確認公司的基本面。

Aaron)淺談股票評價模型:GGM與SPM_內文圖02

結論

  • GGM 假設未來現金發放率永遠維持; SPM 假設未來發放的股利的金額會永遠維持。
  • 可以把股票評價模型中的折現率 K 拉出來,計算預期報酬率。
  • 在使用評價模型的時候,要注意模型的基本假設與原理。
  • 可以參考公式,但不應該依賴公式。必須要加上自己的主觀判斷。

Aaron’s Blog》授權轉載

【延伸閱讀】

 
 
週餘
 
 
分享文章
分享至 Line
分享至 Facebook
分享至 Twitter
收藏 已收藏
很開心您喜歡 Aaron 的文章, 追蹤此作者獲得第一手的好文吧!
Aaron
分享至 Line
分享至 Facebook
分享至 Twitter
地圖推薦
 
推薦您和本文相關的多維知識內容
什麼是地圖推薦?
推薦您和本文相關的多維知識內容