预期矩阵 Expectations Matrix

这是什么

一个恒等式,不是一个模型

股价按定义可以拆开:

股价 = 市值 / 股本 = (PE × 利润) / 股本

所以:  股价变化 = 估值变动 × 盈利增长 × 回购效应   (再加股息)

这三项相乘精确等于股价变化,不是近似。它对应 John Bogle 的「收益来源模型」, 学术上是 Campbell-Shiller 分解。

本站做三件事:回看已实现的回报里各项贡献了多少;前瞻给定增速与期末估值 的组合下年化回报是多少;以及最有用的反推——今天的价格要求公司做到什么。 第三件事对应 Mauboussin 与 Rappaport 的 Expectations Investing(预期投资法),核心动作是 reverse DCF。

它不能做什么

它没有预测能力。恒等式不产生信息,只是把假设整理清楚。输出质量完全取决于 输入质量——垃圾进,精美的垃圾出。

两个轴不独立。五年后仍以 12% 增长的公司,市场不会只给它 25 倍。所以矩阵的 四个角自相矛盾,真实可能性集中在一条对角带上。

E 是会计数字,不是现金。一次性损益、股权激励、高位回购(EPS 涨了但价值毁灭了) 都会污染它。用 EV/FCF 或 EV/EBIT 会更稳健,尤其在对比不同资本结构的公司时。

期末 PE 是你最猜不准、影响却最大的变量。它的本质是 「若干年后别人怎么想」。

哪些公司不适用

这套方法需要一个有意义的市盈率。以下几类公司不满足这个前提,因此不会出现在 观察列表里:

关于分享

你在任何页面调整的参数都会写进地址栏。把链接发出去,对方打开 看到的就是你调好的那套假设——目标回报、增速行、期末估值、股价折让全都在里面。 这样讨论的就不再是「我觉得贵」,而是「你用的是哪一格」。

本站为公开的估值研究工具,所有内容仅供研究与讨论,不构成任何投资建议。观察列表反映的是值得观察的公司,不代表任何人的实际持仓。数据来自公开源并经自动处理,已知存在若干局限(见数据与方法),使用前请自行核实。据此操作,风险自负。

数据每 10 天自动刷新 · 原始数据 JSON · 数据来源