国信证券上市券商每股收益估值的有效性实证分析

国信证券发展研究总部研究课题上市券商每股收益估值的有效性 基于RIVM模型的实证分析课题组成员：陈东胜 张龙斌2010年3月19日研究报告编号：2010026内容提要上市公司估值一直是学者和投资者关注的重点，各种估值方法层出不穷。从实际运用的效果来看，各种估值方法似乎都存在这样活着那样的不足。究其原因，主要是因为适用的范围不够广，估值方法要么重点关注市场价格的变动，要么重点关注财务会计数据，无法有效地将两者结合在一起。因此在实际市场的检测中往往出错而不符。1995年，奥尔森(0hlson)教授提出剩余收益估值模型（Residual Income Valuation Model）。RIVM模型核心思想在于揭示公司市场价值与涉及经营活动和财务活动的会计数据之间的关系，受到美国华尔街人士热烈追捧并被广泛的应用到共同基金和股票的估值中。本文通过RIVM模型，对目前常用的估值指标-每股收益（对应市盈率）和每股净资产（对应市净率），与市场价格的关系，解释这些估值方法的有效性。通过实证分析，我们发现A股上市公司净资产对股价变动的解释能力存在逐年增强的现象，不但2002-2005年如此，新会计制度实施后，2007-2008年也一样。值得注意的是，虽然理论上说不通，但现实存在：每股净资产的解释能力要强过每股收益的解释能力，特别是股市低迷时期。因此，我们在对上市公司估值时，不能单纯的依赖每股收益或是市盈率，而应该重视每股净资产或是市净率的估值分析。因为经营方式的特殊性，我们假设上市券商的估值方式解释能力与整体上市公司不同，实证证实了这个假设。上市券商的每股收益对股价变动的估值能力要强过每股净资产，这也证实了RIVM模型所强调的估值重点：公司价值体现于投资创造高于股权成本的价值。当然，我国券商存在的相对较高的平均利润率也可能是促成这一现象的原因。RIVM模型借鉴了股利折现模型（DDM）、净剩余关系（Clean Surplus Relation）和线性信息动态模型（linear information dynamics model）的相关内容，体现了公司估值的静态和动态趋势。基于RIVM模型的实证表明，在对券商进行估值时，每股收益的估值方法具有明显的有效性。目 录1.研究背景和文献综述22.RIVM估值模型介绍与研究假设32.1.模型介绍32.2.研究假设和实证目的43.数据选取与实证检验53.1.数据选取和检验模型说明53.2.实证检验过程63.2.1.检验假设H463.2.2.检验假设H384.结论与建议91. 研究背景和文献综述上市公司估值一直是学者和投资者关注的重点，各种估值方法层出不穷。总的来说，包括两大类：绝对估值法和相对估值法。相对估值法反映的是市场供求决定的股票价格，绝对估值法体现的是内在价值决定价格，即通过对企业估值，而后计算每股价值，从而估算股票的价值。绝对估值法亦称贴现法，主要包括公司贴现现金流量法（DCF）、现金分红折现法（DDM）。该理论最早可以追溯到艾尔文费雪(IrvingFisher)的资本价值理论。费雪在其1906年的著作资本与收入的性质(The Nature of Capital and Income)中，完整地论述了收入与资本及价值的关系。他认为资本能带来一系列的未来收入，因而资本的价值实质上就是未来收入的贴现值。相对估值法亦称可比公司法，是指对股票进行估值时，对可比较的或者代表性的公司进行分析，尤其注意有着相似业务的公司的新近发行以及相似规模的其他新近的首次公开发行，以获得估值基础。主承销商审查可比较的发行公司的初次定价和它们的二级市场表现，然后根据发行公司的特质进行价格调整，为新股发行进行估价。在运用可比公司法时，可以采用比率指标进行比较，比率指标包括P/E（市盈率）、P/B（市净率）、EV/EBITDA（企业价值与利息、所得税、折旧、摊销前收益的比率）等等。其中最常用的比率指标是市盈率和市净率。但从实际运用的效果来看，各种估值方法似乎都存在这样活着那样的不足。究其原因，主要是因为适用的范围不够广，估值方法要么重点关注市场价格的变动，要么重点关注财务会计数据，无法有效地将两者结合在一起。因此在实际市场的检测中往往出错而不符。自从Ball 和Brown (1968)“会计收益的经验评价”及Beaver1968年“年收益宣告的信息内涵”开始，会计信息与资本市场关系的经验研究不断涌现，成为会计研究的主流，会计学者已经在诸多的研究中证明了会计盈余和股票投资收益之间的关系。上世纪末，学界已经开始将研究的重点扩展到会计报表上的信息。1995年，奥尔森(0hlson)教授连续在Contemporary Accounting Research 杂志上发表了两篇文章，使剩余收益估值模型（Residual Income Valuation Model ）进入了实质研究阶段。这两篇文献提供了关于剩余收益定义及其度量的完备的理论架构，其核心思想在于揭示公司市场价值与涉及经营活动和财务活动的会计数据之间的关系。这两篇文献发表不久，其中的RIVM 模型就受到美国华尔街人士热烈追捧并被广泛的应用到共同基金和股票的估值中，同时也被全世界范围内实证会计研究者所接受。国内关于RIVM的研究，最早是田志龙(1997）对RIVM进行了介绍；张人骥（2002）在综合杜邦财务分析体系（The Du Pond System ）与剩余收益理论的基础上，指出通过基本的会计指标，可以完成对上市公司的价值评估，揭示公司的内在价值，从而指导投资者进行投资分析；戴德明(2003）对RIVM做了详细地说明，深化了对会计信息相关性和EVA的理解；袁琳，廖晓鹏（2009）利用RIVM模型对国内上市公司2002-2005年以来的每股收益和每股净资产相对于市场价格的相关性进行了研究。本文借鉴了袁琳、廖晓鹏（2009）的研究思路，试图通过RIVM模型，对目前常用的估值指标-每股收益（对应市盈率）和每股净资产（对应市净率），与市场价格的关系，解释这些估值方法的有效性。2. RIVM估值模型介绍与研究假设2.1. 模型介绍费森一奥尔森估值模型（RIVM）于1995年提出，其核心思想在于揭示公司市场价值与涉及经营活动和财务活动的会计数据之间的关系。Ohlson 连续在Contemporary Accounting Research发表的这两篇文章提出了关于剩余收益定义及其度量的完备的理论架构，根据其文献所述，得到剩余收益估值模型的定义式为（2-l): 2-1其中：V0为企业在0时刻的价值；BVO为企业在0时刻的权益资产的账面价值；r为所要求的回报率；E(RIt）为t时刻的剩余收益的期望值。剩余收益估值模型的含义可解释为：公司的内在价值是公司已获得的资产，即股东权益的账面价值（BVO)，与该公司未来盈余的期望值，即预期剩余收益E(RIt）的折现值之和。RlVM把公司已经获得的资产和未来的剩余收益结合起来，在公司价值评估过程中，既考虑了已获资产的价值，又将未来的收益考虑在内，使企业价值的定义更加符合会计上所认定的资产的概念。RIVM是在以下三点基本假设的基础上得到的：股利折现模型（DDM)、净剩余关系（Clean Surplus Relation）和线性信息动态模型（linear information dynamics model）。RIVM首次将目标企业股权市场价值和目标企业的股权账面价值与预期剩余收益联系起来，模型表明只有公司的投资活动能够创造高于股权资本成本的收益，方可提升公司股票的内在价值，投资者也才会支付比净资产超出的溢价部分。目前的实证会计研究表明，RIVM开拓了两大新的研究前沿：首先，该模型预期和解释股票价格要优于基于短期预期的股利和现金流折现模型；其次，与其他流行的方法相比而言，该模型提供了一个更完善、更客观的估价方法。另外，投资活动的创造价值估值也更适合证券行业，以下我们将以实证证明。2.2. 研究假设和实证目的本文试图在国内外已有研究成果的基础上，运用现有的公开的财务数据，基于RIVM对影响A股市场股价的主要因素进行验证，力图发现股价的主要解释因素并就我国上市公司的价格和价值的关系进行实证研究，从而对有关的假设、理论及人们的普遍看法进行检验。同时，对上市券商是否具有估值独特性进行检验。根据投资者行为以及国内外已有的研究成果提出以下假说：H1:上市公司普遍的股价变动反映了投资者对其估值的判断。虽然特定的情况下，股价的变动可能与估值无关，但普遍的、长期大量的股价变动应该与投资者对股票的估值是相关的。H2:A股市场每股收益和每股净资产对股价的解释能力逐年增强。随着越来越多的中外学者意识到财务报告具有投资的决策有用性，对财务报告的投资决策研究也逐渐增多。根据奥尔森剩余收益模型，净资产和剩余收益对企业内在价值具有决定作用，故本文主要就净资产和每股收益对股票价格的影响作实证检验。袁琳、廖晓鹏（2009）已经实证检验了2002-2005年A股上市公司每股收益和每股净资产与股价的关系。其证明每股收益和每股净资产对股价的解释能力呈现波动性增强的趋势；股价与每股净资产的相关性始终强于与每股收益的相关性，在股市低迷阶段比较明显。说明单纯以每股收益（对应市盈率）对上市公司估值存在明显的不适合性。H3:上市券商的估值与所有上市公司的估值相比，具有独特性。由于经营活动的特殊性，券商的市盈率与整体市场存在差异，这里假设其估值也有独特性，需要实证检验。H4：假设2007-2008年整体上市公司每股收益和每股净资产对股价的解释能力也如同2002-2005年一样，逐年增强；同时每股净资产的解释能力更强。由于2006年是新会计制度改革的过渡年，财务指标可能存在失真，不列入实证检验阶段。3. 数据选取与实证检验3.1. 数据选取和检验模型说明为检验假设H3，本文选取所有上市券商共13家，2003-2008年公布的各年度每股收益、每股净资产，以及各年度的收盘价格。数据来源为wind数据库。为检验假设H4，本文选取所有上市公司2007-2008年公布的年度每股收益、每股净资产，以及各年度的收盘价格。样本选择2007-2008年A股全部上市公司，其中2007年样本1516家，2008年样本公司1593家，样本总计3109个。具体数据选用样本公司2007年和2008年的年报数据中的每股收益（EPS）和每股净资产（BPS）和年底的收盘价，数据来源为wind数据库。研究根据公司价值公式PRICE=C +1EPS +2BPS+i（Ohlson,1995）,Collins于1997年、陆宇峰于1999年运用的方法，将公司的拟合优度分为三部分：每股净资产BPS能增加的解释力度、每股盈余EPS能增加的解释力度、二者结合运用能增加的解释力度，即模型1： PRICE=C +C(1)EPS+RESID （）模型2 ： PRICE=C +C(1)BPS+RESID（）模型3 ： PRICE=C +C(1)EPS +C(2)BPS+RESID（）用-表示BPS增加的解释能力；用-表示BPS增加的解释能力；用-表示EPS和BPS联合运用增加的解释能力。3.2. 实证检验过程3.2.1. 检验假设H4本文使用多步回归模型研究每股盈余（EPS）和每股净资产（BPS）对股票估值的影响。模型估计使用SPSS软件实现，具体模型和估计结果如下：模型1： PRICE=C +C(1)EPS+RESID （）模型2 ：PRICE=C +C(1)BPS+RESID（）模型3 ：PRICE=C +C(1)EPS +C(2)BPS+RESID（）小结：模型1和模型2的估计结果表明，BPS和EPS对股价的影响都显著为正，其中模型2的R方为0.238大于模型1的R方0.221，这表明，BPS对股价的影响要大于EPS。另外，模型3的估计结果表明，EPS和BPS对股价影响都显著为正，模型3的调整R方为0.291，要大于模型1和模型2的调整R方，综合考虑EPS和BPS的模型估计效果要好于单独考虑其中某个因素。因此，H4成立，即，2007-2008年整体上市公司每股收益和每股净资产对股价的解释能力也如同2002-2005年一样，逐年增强；同时BPS对股价变动的解释能力更强。说明在对上市公司普遍估值时，BPS的作用比EPS更大。3.2.2. 检验假设H3计算使用Eviews软件实现，具体模型和估计结果如下：模型1： PRICE=C +C(1)EPS+RESID模型中，RESID表示残差，模型使用EPS对股价进行回归，Eviews估计结果如表1所示：表1 模型1估计结果Dependent Variable: PRICEMethod: Least SquaresDate: 03/04/10 Time: 13:26Sample (adjusted): 1 23Included observations: 23 after adjustmentsVariableCoefficientStd. Errort-StatisticProb.C1.6762882.5458660.6584350.5174EPS17.523482.3680357.4000090.0000R-squared0.722809Mean dependent var11.72791Adjusted R-squared0.709610S.D. dependent var19.16296S.E. of regression10.32651Akaike info criterion7.590247Sum squared resid2239.373Schwarz criterion7.688986Log likelihood-85.28784Hannan-Quinn criter.7.615080F-statistic54.76013Durbin-Watson stat1.163241Prob(F-statistic)0.000000模型2 ：PRICE=C +C(1)BPS+RESID模型2使用BPS对股价进行回归，模型估计结果如表2所示：表2 模型2估计结果Dependent Variable: PRICEMethod: Least SquaresDate: 03/04/10 Time: 13:27Sample (adjusted): 1 23Included observations: 23 after adjustmentsVariableCoefficientStd. Errort-StatisticProb.C-6.2605453.751913-1.6686280.1100BPS4.7665310.7609086.2642710.0000R-squared0.651401Mean dependent var11.72791Adjusted R-squared0.634801S.D. dependent var19.16296S.E. of regression11.58051Akaike info criterion7.819465Sum squared resid2816.271Schwarz criterion7.918203Log likelihood-87.92384Hannan-Quinn criter.7.844297F-statistic39.24109Durbin-Watson stat1.335798Prob(F-statistic)0.000003模型3 ：PRICE=C +C(1)EPS +C(2)BPS+RESID模型3联合使用EPS和BPS对股价进行回归，模型估计结果如表3所示:表3 模型3估计结果Dependent Variable: PRICEMethod: Least SquaresDate: 03/04/10 Time: 13:27Sample (adjusted): 1 23Included observations: 23 after adjustmentsVariableCoefficientStd. Errort-StatisticProb.C-0.9820203.986012-0.2463670.8079EPS13.316215.3894882.4707740.0226BPS1.3438681.5442490.8702410.3945R-squared0.732922Mean dependent var11.72791Adjusted R-squared0.706215S.D. dependent var19.16296S.E. of regression10.38670Akaike info criterion7.640037Sum squared resid2157.671Schwarz criterion7.788145Log likelihood-84.86043Hannan-Quinn criter.7.677286F-statistic27.44231Durbin-Watson stat1.174758Prob(F-statistic)0.