SESSION 3：估值基本功——PE、EV/EBITDA、DCF 到底什么时候用哪个？

三家投行，同一支股，目标价相差50%——估值是科学还是艺术？

估值（valuation）这个词在金融世界里有一个奇怪的地位——每个分析师都会讲，每个分析师讲的都不一样。

打开三家不同的投行研究报告，你会看到同一家公司的目标价可以差 50%。Morgan Stanley 用 35x PE，Goldman 用 20x EV/EBITDA，JPMorgan 用 DCF 算出 $180。为什么同一个公司、同一批财务数据，会产生差这么多的结论？答案是：估值不是一个”算法”，而是一个”观点”——你选择哪种方法、用什么假设、比较哪些同业，本身就是一种投资判断。

这节课把最常用的三大估值工具——PE、EV/EBITDA、DCF——摊开讲清楚：它们各自的适用场景、典型陷阱、以及什么时候该抛弃”数字精确感”接受”模糊的正确”。

股价每天跳动，但估值是一个观点，不是一个数字交易所的大屏每天给出”价格”，但”价值”是被分析师、投行、基金经理用不同模型推算出来的观点。同一家公司 Morgan Stanley 可能算出 $180，Goldman$ 120，JPMorgan $240——差异不在数据，在假设。

一、估值的本质：比较 vs 预测

估值的底层只有两种方法：相对估值（Relative Valuation） 和 绝对估值（Absolute Valuation / Intrinsic Valuation）。

1.1 相对估值的逻辑

相对估值 的核心假设是：市场对这家公司的同行定价是合理的。我们只需要找到一个合适的”倍数”（multiple），然后用这个倍数去乘目标公司的某个财务数字。

PE（Price-to-Earnings Ratio，市盈率）= 股价 / 每股收益
EV/EBITDA = 企业价值 / 税息折旧摊销前利润
EV/Sales = 企业价值 / 销售收入
P/B（Price-to-Book Ratio，市净率）= 股价 / 每股净资产

这些都是相对估值的工具。它们的共同点是：快、直观、易比较——三分钟你就能在 Bloomberg 上拉出苹果、微软、谷歌的 PE，然后问”苹果是不是太贵了？”

但相对估值有一个致命假设：你比较的公司是真的可比（comparable）。

1.2 绝对估值的逻辑

绝对估值 的核心是 DCF（Discounted Cash Flow，现金流折现）——把公司未来所有自由现金流用一个折现率（WACC）折算到今天，加起来就是公司的内在价值。

DCF 的优势是：逻辑自洽，理论最纯。它不依赖市场对其他公司的定价，完全基于公司自己的现金流。

但 DCF 有一个更致命的问题：它太依赖假设。未来五年的营收增速、利润率、折现率、永续增长率——每一个假设都可能把估值结果改变 50% 以上。“Garbage in, garbage out”（垃圾进、垃圾出）就是 DCF 的魔咒。

1.3 什么时候用哪个

一个好的分析师会同时使用相对估值和 DCF——前者告诉你”市场目前怎么定价”，后者告诉你”如果预测对了，公司应该值多少”。两者的差距就是你的 investment thesis（投资逻辑）。

但在实际操作中，不同场景下侧重点不同：

场景	首选方法	原因
成熟稳定的大公司（如可口可乐、沃尔玛）	PE、EV/EBITDA	现金流稳定，可比公司多
重资本行业（钢铁、电信、房地产）	EV/EBITDA、P/B	折旧摊销变形了 PE
高增长科技公司（如 AWS 时期的亚马逊）	EV/Sales、DCF	还没利润，PE 算不出
金融公司（银行、保险）	P/B、P/TBV	资产负债表是核心
生物科技（Biotech）	rNPV（风险调整 DCF）	现金流是概率加权的
困境公司（Turnaround）	EV/Sales、EV/Revenue	盈利为负，PE 失效
并购交易（M&A）	Precedent transactions	要看历史溢价

核心原则：选择与”公司所处生命周期”、“行业特征”、“财务可信度”相匹配的工具。一个不赚钱的 SaaS 公司强行算 PE 没有意义；一个重资产电信公司只看 PE 会严重低估资本开支。

二、PE（市盈率）：最常用，也最容易被误用

2.1 PE 的定义与分类

PE = 股价 / 每股收益 = 市值 / 净利润

看似简单的公式，但”净利润”用的是什么时期的？这决定了 PE 的类型：

Trailing PE（TTM PE）：用过去 12 个月的实际利润。适合稳定增长公司。
Forward PE（NTM PE）：用未来 12 个月的预期利润。大多数分析师用这个。
Shiller PE / CAPE：用过去 10 年经通胀调整的平均利润。用于宏观大盘估值。

大多数股票数据库（Yahoo Finance、Bloomberg）默认显示 TTM PE，但研究员用的是 Forward PE——因为投资是向前看的。

2.2 PE 的诱惑与陷阱

PE 的巨大优势是直观：标普 500 历史平均 PE 约 15-18x，如果一家公司 PE 10x，“看起来便宜”；如果 PE 40x，“看起来贵”。但这种直观是危险的简化。

案例：2021 年的美国银行股——“PE 低”的陷阱

2021 年中，很多价值投资者看中美国银行股，因为 JPMorgan、BofA、Citigroup 的 PE 都只有 10-12x，远低于市场平均。“便宜就买”似乎是合理的逻辑。

但接下来发生了什么？

2022 年硅谷银行（SVB）爆雷，银行股板块下跌 20%。
2023 年 First Republic、Signature、Credit Suisse 连环暴雷。
BofA 和 Citi 的 PE 在 2022-2023 年只有 8-10x，但股价继续下跌。

为什么便宜的还在跌？因为银行的 PE 受利率环境、信贷周期、监管要求三重影响，当美联储加息导致银行持有的长期国债产生 未实现损失（unrealized losses） 时，真实的净资产已经缩水——PE 低不是”便宜”，是”市场在预期未来利润会下降”。

这就是 PE 最典型的陷阱——它是”价格”和”当期盈利”的比值，但”当期盈利”本身可能正处于周期顶部（peak earnings），看起来低的 PE 其实是周期顶部的伪装。

2.3 Peak Earnings：PE 撒谎的时刻

一个经典的故事：2006-2007 年的美国银行股 PE 只有 8-10x——同样看起来便宜。

然后 2008 年发生了什么？

Lehman 破产
Citigroup 股价从 $55 跌到$ 1
Bank of America 股价从 $55 跌到$ 3
Merrill Lynch 被并购
AIG 国有化

为什么 2007 年 PE 那么”便宜”的银行股全部崩盘？因为 2006 年是美国房地产泡沫的顶点，当年银行赚到的利润里有巨大一部分来自后来被证明是虚假的房贷业务。用 peak earnings 算出来的 PE 看起来便宜，但一旦利润回归正常，PE 就会飙升。

Peak earnings 的经典判断信号：

行业利润率处于历史最高位。
行业 ROE 显著高于历史平均。
信贷扩张速度远超 GDP 增速。
行业内 IPO 数量暴增。

遇到这些信号，应当用正常化盈利（Normalized Earnings） 而不是当期盈利算 PE——也就是用历史 5-10 年平均利润来代替当前利润。这是 Benjamin Graham 在 80 年前就教过的办法，但每一轮周期都有人忘记。

2.4 PEG：PE 的改良版

PEG = PE / 盈利增长率（EPS Growth）

PEG 的思路是：一家 30 倍 PE 但每年增长 30% 的公司，本质上不贵——因为增长会迅速消化估值。Peter Lynch 是 PEG 的推广者，他的经典判断是：PEG < 1 代表便宜，PEG > 2 代表昂贵。

但 PEG 也有问题：增长率用的是预期增长率，而预期容易错。2021 年 SaaS 公司的 Forward PE 常常是 60-80x，按当年的增长率算 PEG 也就 1-1.5，“还算合理”；但到 2022 年当增长放缓后，PE 没变、分母变小，PEG 突然飙到 3-4，估值体系瞬间崩塌。

三、EV/EBITDA：为什么并购的人更爱用它

3.1 EV 和 EBITDA 的定义

EV（Enterprise Value，企业价值）= 市值 + 总债务 - 现金

EV 的意思是：如果你要买下整家公司（包括承担它的债务、但拿走它的现金），你总共要花多少钱。

EBITDA（Earnings Before Interest, Taxes, Depreciation, and Amortization，税息折旧摊销前利润）= 营业利润 + 折旧 + 摊销

EBITDA 的意思是：不算融资方式（利息）、不算税收结构、不算会计政策（折旧摊销）的”纯粹运营”现金盈利。

EV/EBITDA 的比值告诉你：你买下这家公司，需要用 X 年的 EBITDA 收回投资。

3.2 为什么并购者爱用 EV/EBITDA

相对于 PE，EV/EBITDA 有几个优势：

第一，资本结构中立。PE 受公司债务结构影响——同样一家公司，杠杆高的 PE 低、杠杆低的 PE 高。而 EV/EBITDA 消除了这个影响，让你比较两家运营能力相似但融资结构不同的公司。

第二，消除会计扭曲。折旧和摊销是会计假设，不同公司可以用不同方法，直接比 PE 会产生偏差。而 EBITDA 把折旧摊销加回来，更接近真实的”运营现金流”。

第三，不受税率影响。不同国家、不同公司的有效税率差异很大。EV/EBITDA 用税前利润，可以跨国比较。

这就是为什么私募股权（PE fund）和 M&A 银行家最常用 EV/EBITDA：当你要买下一家公司时，你关心的是”用我的融资成本和税务结构，这家公司能给我多少现金”——EBITDA 比净利润更接近这个答案。

3.3 案例：2007 年 TXU 的世纪大 LBO

2007 年，KKR、TPG、Goldman Sachs 联手完成了历史上最大的杠杆收购（LBO：Leveraged Buyout）——以 $45 billion 收购美国得州电力公司 TXU。

这笔交易的关键数字：

TXU 2006 年 EBITDA：约 $4.8 billion
交易价格： $45B ÷$ 4.8B ≈ 9.4x EV/EBITDA

这个倍数在当时被认为”合理”——因为美国电力行业同业平均 EV/EBITDA 就是 8-10x。PE 基金的逻辑是：通过”EBITDA 扩张 + 债务还清”，7 年后以 10x EBITDA 卖出，赚 IRR 15%+。

但交易完成后不久，两件事发生了：

美国页岩气革命，天然气价格从 $13/MMBtu 跌到$ 2
TXU 主要烧煤，煤电成本远高于气电，竞争力崩塌

EBITDA 没跌，彻底崩了——从 $4.8B 跌到$ 3B 再到 $2B。原本 9.4x 看起来合理的估值变成了 20x+。2014 年 TXU 的母公司 Energy Future Holdings 申请破产，KKR 和 TPG 损失了 80 亿美元股权投资。

这个故事的教训：EV/EBITDA 不等于”公司价值的真相”。如果你用来相乘的 EBITDA 是周期顶点，那么倍数再合理，交易都可能崩盘——和前面讲的 Peak Earnings 是同一个坑。

3.4 什么时候不该用 EV/EBITDA

EV/EBITDA 的信徒太多，很容易被滥用。以下场景要慎用：

第一，重资本行业。EBITDA 忽略了折旧——但对电信、钢铁、公用事业来说，折旧不是虚的，是真实的资本支出。一个电信公司 EBITDA $10B，但每年 CapEx 要$ 8B，真正可分配的现金只有 $2B。

第二，高增长科技公司。早期 SaaS 公司 EBITDA 经常是负数或者极小，EV/EBITDA 会是一个无意义的极端值（1000x 甚至更高）。这时要用 EV/Revenue 或者 Rule of 40。

第三，金融公司。银行、保险的”收入”本身就是借贷利差、保费——EBITDA 这个概念在金融业里不适用。金融公司用 P/B 或 ROE。

第四，周期顶点。像 TXU 那样，周期顶部的 EBITDA 是假的——这时应当用 “Through-the-cycle EBITDA”（跨周期平均 EBITDA）。

四、DCF：理论最美，实战最难

4.1 DCF 的基本公式

\text{Enterprise Value} = \sum_{t=1}^{n} \frac{FCF_t}{(1+WACC)^t} + \frac{TV}{(1+WACC)^n}

其中：

FCF（Free Cash Flow，自由现金流）：公司每年可以自由支配的现金。
WACC（Weighted Average Cost of Capital，加权平均资本成本）：折现率。
TV（Terminal Value，终值）：预测期之后所有现金流的永续价值，通常用 Gordon Growth Model：TV = FCF × (1+g) / (WACC - g)

看似简单，但每一项都是 “黑盒里的猜谜”：

FCF 是基于预测的营收、利润率、资本开支、营运资本变化算出来的——每一项都是估计。
WACC 取决于股权成本（CAPM：Rf + β × MRP）和债务成本，每个输入都有不确定性。
TV 是总估值中占比最大的部分（通常 60-80%），而它依赖一个你对 20 年后的估计——你真的能预测 20 年后的永续增长率吗？

4.2 WACC：最容易出错的地方

WACC 的公式：

WACC = \frac{E}{V} \cdot R_e + \frac{D}{V} \cdot R_d \cdot (1-T)

其中：

R_e（股权成本）= Rf + β × MRP
- Rf：10 年国债收益率
- β：股票相对市场的贝塔系数
- MRP（Market Risk Premium，市场风险溢价）：5-6%
R_d（债务成本）：公司发行债券的到期收益率
T（有效税率）：通常 20-25%

WACC 最常见的错误：

β 用错时间段：5 年 β 和 3 年 β 可能差 0.3-0.5，导致股权成本差 2%。
Rf 用错国家：一家巴西公司用美国国债是错的，要用本币主权债收益率+国家风险溢价。
忽略资本结构：E/V 和 D/V 用的是目标资本结构，不是当前。
税率用错：有效税率 ≠ 法定税率，要查 10-K 的实际有效税率。

WACC 的敏感性很可怕：一家公司内在价值 $100 的公司，如果 WACC 从 8% 变成 10%，估值可能从$ 100 跌到 $60——两个点的 WACC 改变 40% 估值。

4.3 DCF 的”敏感性分析”陷阱

很多分析师在 DCF 模型里做 sensitivity table——比如 WACC 从 8% 到 12%，永续增长率从 2% 到 4%，画一个 5×5 的格子展示估值范围。这听起来很科学，但它不是——它是一种”假装科学”。

为什么？因为敏感性分析只改变了你假设的一部分。真正要敏感性的是你整个现金流预测——如果你把 2026 年营收增速从 15% 改成 10%，那么 2027、2028、2029 年的预测都要改，因为营收是复利的。而没有任何一个分析师敢真的把这个调整做完整——因为那意味着把整个模型推翻。

Warren Buffett 的做法是：他不做 DCF。 他自己说过：“I’d rather be approximately right than precisely wrong”——我宁可大致正确，也不要精准错误。他用 Owner Earnings（所有者盈利，类似自由现金流）乘以一个”合理倍数”（比如 15x）来估值，然后保留”安全边际”（Margin of Safety）——这本质上是 DCF 的粗糙版，但它承认了预测的不确定性。

4.4 案例：亚马逊的 20 年 DCF 之谜

从 1997 到 2015 年，亚马逊几乎没有任何”会计利润”。任何用 PE 估值的人都得出同一个结论：亚马逊没有盈利，无法估值。所以亚马逊的传统分析师分成两派：

Bears（空头）：PE 无穷大，泡沫公司，迟早崩盘。
Bulls（多头）：用 DCF，相信未来的现金流。

用 DCF 的人最早什么时候看出亚马逊值得投资？大约在 2005-2007 年——当 AWS（Amazon Web Services）推出、Prime 会员快速增长时，用 DCF 可以预测出未来 10 年亚马逊的营收复合增长率可以保持在 25-30%，而利润率终将恢复到 15%+。按这个预测，亚马逊 2005 年时合理市值应该是 $2000 亿（当时实际市值$ 200 亿），DCF 告诉你的答案比市场早了 15 年。

但同样是 DCF，Bears 派的分析师也在 2005-2015 年不断用 DCF 证明亚马逊”泡沫”——因为他们相信的是更保守的增长率假设。同一个 DCF 模型，输入不同，结论完全相反。

这是 DCF 最深刻的教训：它不是一个”计算器”，而是一个”思维框架”。真正决定结果的不是公式，是你对公司未来 10-20 年的判断——这种判断只能来自对行业、公司、管理层的深度理解，不是来自 Excel 表格。

五、三种工具的综合应用：一个典型的估值流程

5.1 基本步骤

一个标准的估值报告包含三套工具的协同：

Step 1：Trading Comps（可比公司估值） 找 5-10 家可比上市公司，比较它们的 PE、EV/EBITDA、EV/Sales，然后取中位数或均值，乘以目标公司的财务指标。

Step 2：Precedent Transactions（交易先例） 找过去 3-5 年同行业的 M&A 交易，看收购价的倍数是多少。这个倍数通常比 Trading Comps 高 20-30%，因为包含 控制权溢价（Control Premium）。

Step 3：DCF 建立 5-10 年现金流预测，加上终值，折现回现在。

Step 4：估值区间 三种方法会给出三个估值范围。如果 DCF 说 $150-180，Trading Comps 说$ 140-170，Precedent Transactions 说 $170-200——那么你的合理估值区间是 **$ 150-180**，目标价取中值 $165。

5.2 Football Field Chart（足球场图）

投行最爱用的展示方式叫做 “估值足球场”——把每种估值方法的结果画成一条水平线，横向比较：

方法                估值区间
Trading Comps:     [====$140-170====]
Precedent Trans:   [=====$170-200=====]
DCF (Base Case):   [=====$150-180=====]
52-week Range:     [===$120-195===]
Analyst Targets:   [===$155-185===]
                   |___________|
                       当前股价 $148

这种图表的好处是展示估值的不确定性——没有任何一种方法能给出”精确的答案”，只能给出一个区间。当前股价在这个区间的哪个位置，告诉你市场共识是什么。

5.3 案例：2022 年 Twitter 的估值博弈

2022 年 4 月，Elon Musk 提出以 $54.20 每股 收购 Twitter。按当时的 Twitter 财务数据：

市值：$44B
EBITDA（TTM）：$1.4B
收购倍数： $54.20/share × 7.7 亿股 ÷$ 1.4B = 约 31x EV/EBITDA

这个倍数合理吗？

Trading Comps：Meta、Snap、Pinterest 的 EV/EBITDA 当时 8-15x，Twitter 是它们的 2-4 倍。
Precedent Transactions：2020-2022 年类似规模的社交媒体 M&A，EV/EBITDA 通常 15-20x。
DCF：即使用非常激进的增长假设，Twitter 的内在价值也很难超过 $35/share。

所以 Musk 报价 $54.20 是 **明显过高**——市场的反应是"Musk 要么有什么别人不知道的秘密，要么就是为了战略意图（控制言论平台）而付非理性溢价"。后来 Musk 试图撤回收购、最终被法院强制完成交易，2023-2024 年 Twitter（改名 X）估值一路下跌到$ 19B——不到 Musk 买入价格的一半。

这个案例的估值教训是：即使是全世界最富有的人做的决定，也可能违背所有合理的估值方法。当一个 buyer 愿意支付 2-3 倍合理价格时，这不是投资决策，是”战略/情绪决策”——这种决策的前景要从 Musk 的个人目标而不是 Twitter 的现金流来理解。

六、为什么重要——我的综合判断

6.1 估值是艺术，不是科学

华尔街训练分析师时会说：“Valuation is an art, not a science”。这不是修饰——这是对估值本质的准确描述。

数学部分是科学：PE 的计算、DCF 的折现——这些有标准答案。
假设部分是艺术：用什么倍数？什么增长率？什么 WACC？选哪些 comps？——这些都是判断。

当我看到一个分析师给出” $187.25 的精准目标价"时，我会立刻警惕——**任何精确到小数点后两位的估值，都是在用精确感掩盖不确定性**。一个好的估值应该是"$ 170-200 的区间，中值 $185，根据 X、Y、Z 三个 catalyst 的兑现可能上调或下调”。

6.2 三种工具的真正价值不在估值本身

PE、EV/EBITDA、DCF 最有价值的地方不是”告诉你公司值多少”，而是帮你发现你不了解的东西。

当同业公司 PE 都是 20x，这家是 30x——为什么市场给它溢价？你同意吗？
当 DCF 算出来比当前市值高 50%，而市场没有反应——要么市场错了，要么你的假设错了，要么市场知道你不知道的事。
当 EV/EBITDA 30x，而同业是 12x——这个公司的 EBITDA 质量是不是更高？还是市场过度乐观？

估值的真正目的是问问题，不是给答案。每一个倍数的差异背后都有一个可以深入研究的投资假设。

6.3 为什么顶级投资者用”简单估值”

你会发现一个有趣的现象：最成功的投资者经常用最简单的估值方法。

Warren Buffett：大部分情况下用 PE 和 Owner Earnings，很少做精细 DCF。
Peter Lynch：PEG ratio 和常识。
Seth Klarman：清算价值（Liquidation Value）+ 安全边际（Margin of Safety）。
Howard Marks：周期判断+相对价值，几乎不做预测。

为什么这些大师不用炫技的 DCF？因为他们知道预测未来的噪音远大于模型的精度。在一个不确定的世界里，简单的工具 + 严格的安全边际 > 复杂的工具 + 过度自信的预测。

6.4 给零基础同学的实战建议

如果你是刚开始学估值的学生或初级分析师，我的建议是：

第一，先学 PE。它是最直观、最容易和市场对话的语言。你看新闻说”苹果的 PE 是 28x”，你能立刻知道市场对苹果的定价态度。

第二，学会批判 PE。什么时候 PE 便宜是陷阱？什么时候 PE 贵是合理？这比算 PE 本身重要得多。

第三，学会用 EV/EBITDA。当你要做并购、LBO、跨国比较时，PE 不够用，EV/EBITDA 是必备。

第四，理解 DCF 的逻辑，但不要迷信它的结果。DCF 最大的价值是教你”公司的价值来自于未来现金流”——这个思维框架改变你看公司的方式。

第五，永远用三套工具交叉验证。不要只用一个方法。如果 PE 说便宜、DCF 说便宜、Precedent Transactions 说便宜，你大概率对了。如果三个方法结果差异很大——停下来，想想哪里错了，你对这家公司的理解可能有漏洞。