登录

互联网创业公司是如何做估值的?

周辉 2015年10月28日
跟帖  |   0条内容
添加图片
肖果果 2015年10月28日

股票价值折现分析法,适用于那些处于创意、创新、创业的早期阶段的公司或项目。

DemiseYoung 2015年10月28日

不懂啊,求详细回答。

喜乐潘 2015年10月28日

我来做一次知识的搬运工吧,其实自己也不太懂。

股票价值折现分析法(discounted equity valuation analysis),称为DEVA估值法,适用于那些处于创意,创新,创业的早期阶段的公司或项目。DEVA最早由摩根斯坦利的分析师Mary Meeker提出。1995年网景上市4个月后,米克尔和同事合作出版了论文《互联网报告》,文中提出的DEVA估值理论,很快成为了风险投资领域估值的参考标准。DEVA依据的依然是网络时代每18个月芯片速度会增长一倍的摩尔定律。(《一家互联网创业公司的“估值”是如何来的?》)

DEVA估值法公式是:E=MC^2(其中 E 为项目的经济价值,M 为单体投入的初始资本,C 为客户价值增长的平方值)。举个栗子:当一个网站有N个用户时,得到附加价值N^2,E=MN^2。

关于股票价值折现分析法有两个问题,第一个问题是并购会带来估值的增长。在前面的那篇文章中同样说到这个问题,A有100个客户,价值是10000,B有50个客户,价值是2500,A+B有150个客户,价值就成了22500。比A的10000加B的2500多了10000,因此会有公司为了提升估值愿意收购或者被收购。

第二个问题就是公式中的C的承受力问题,C^2是客户价值增长的附加价值,但在公式中没有考虑附加价值的承受能力,也就是如果客户数量超出附加价值的承受能力范围后,估值会出现泡沫。例如,附加价值如果是100人,当客户数量在100以内时,附加价值就是10000,利用公式可以得到E=10000M。当客户数量超过100后,附加价值就变成了100X,E=100XM,显然比公式得到的E=MX^2要小很多,并且是随着客户数量增加,泡沫也随之增加。

以上,就是我搬运加粗略理解的结果,期待专家更加专业的回答~

大白团子 2015年10月28日

呃,我来简单回答一下这个问题。

在Tim Koller、Marc Goedhart&David Wessels合著的《价值评估-公司价值的衡量与管理》(强力推荐这本书,完全不枯燥)这本书里,是把互联网创业公司称为“高成长公司”。也就是高成长、高不确定的公司。我记得书里提到,对高成长公司进行估值的最好办法是使用传统的折现现金流法。同时他们也认为,尽管基于情景的折现现金流法能帮助我们限定不确定性的范围和量化不确定性,但它并不能完全消除这些不确定性。

这也是高成长公司的股价不稳定有其合理的原因。

当然,在采取折现现金流法的时候,虽然估值的基本要素相同,但在评估高成长公司的时候,这些要素的顺序和重点不同于估值成熟公司的传统流程。不是从分析历史绩效入手,而是首先考察公司市场预期的长远发展,然后回溯进行推算。而且,由于长期预测很不确定,通常需要设定几种情景方案。每种方案描述市场在不同情境下可能的发展情况。

在预测未来增长时,工作的重点是估计未来市场的规模、利润率水平以及达到这些经营目标所需的投资。因此,你需要选取一个较远的时间点作为预测的起始点,那个时间点也就是财务绩效趋于稳定的时候。大多数高成长公司都是初创公司,所以一般至少需要10-15年后才会趋于稳定。

制定好预测后,要进行回溯推算,并和当前绩效挂钩。对于这些高成长公司来说,当前绩效很可能并没有区分投资和费用。因此,如果可能的话,要将隐藏在费用中的投入资本化。不过,实际操作的时候,真的要区别投资和费用,实在是太难了。因为,它难以察觉而且还带有主观性。

鉴于高成长公司相关的不确定性较高,估值时,还要依据多个情景,例如总体规模,进入门槛等等,来描述市场的发展。制定综合情景时,确保收入增长、毛利和所需投资等所有预测值与该种情景的基本假设一致。

然后,给每种情景一个概率化权重。这个权重必须要符合公司的长期成长的历史证据。当年那些,包括现在某些高估值的互联网创业公司,就是忽视了这一点,过于依赖不现实估值的做法,导致估值过高和战略错误。

基于概率的权重情景分析法和实物期权估值法类似。使用一些完善的情景,而不是实物期权估值法中的复杂模型,可以有重点地明确哪些经济因素推动了公司的价值增长。而且实物期权估值法依赖跟踪组合来复制公司的现金流,而高成长的公司往往并没有合适的跟踪组合。

具体的估值办法,可以去看那本书。书里还强调一点:不确定性时永远存在的。历史证明只有少量公司才能大获成功,绝大部分公司将会是默默无闻无人问津的。无论用什么办法,都很难预测哪家公司会成功。投资者和公司都无法消除这种不确定性。但折现现金流估值法,并不一定就能完全正确地预测到未来,但可以让人们去理解这种不确定性。