钢铁量化研究框架专题三：如何给钢铁股定价.pdf

识别风险 ， 发现价值 请务必阅读末页的免责声明 1 / 35 Table_Page 行业专题研究 |钢铁 2019 年 1 月 16 日 证券研究报告 Table_C ontacter 本报告联系人： 李衍亮 020-87571273 liyanlianggf Table_Title 钢铁量化研究框架专题三：如何给钢铁股定价 一个具备均值回归性与收益预测意义的钢铁股估值体系 Table_Author 分析师： 李莎 SAC 执证号： S0260513080002 SFC CE.no: BNV167 020-87574792 lishagf Table_Summary 前言：钢铁股定价研究 行业研究的另一维度 传统的行业研究主要围绕基本面研究，其可能的风险来自于股票价格未必是基本面的准确映射，而定价研究则提供给我们解决上述问题的另一研究维度。从广义的视角上来看， 对钢铁股定价的重新审视和研究将具备两个维度上的价值。一方面，基于行业特质的资产定价研究将为行业估值提供更直观有效的依据，从而 服务于更为精准的择时决策及量化策略开发 ；另一方面，钢铁股作为具备较清晰定价逻辑的资产，其定价 可以成为折射权益市场定价的一个微观窗口 ，因此对钢铁股定价的准确理解或可帮助投资者挖掘市场实际定价水平及发现错误定价。 一 、 股票定价范式：理想特征与钢铁股估值体系综述 定价研究要解决的可能是这样一个问题，即股票价格是否偏离了正确的价格水平 如果股票价格过高或者过低，则我们可以一定程度上预测未来股票价格将下跌或者上涨。基于这一目的出发，一个良好的定价范式应具有两个理想特征，即均值回归性（能够判断价格过高或过低）和收益相关性（可以预示未来价格将相对下跌或上涨）。 基于这两个标尺度量，主流估值指标在重资产、强周期的钢铁行业的适用性如何？ PCF 是 DDM 定价范式下钢铁股估值的首选，其稳定性和均值回归性要好于 PE、 EV/EBITDA 等常用指标 ，但由于它没有解决盈利周期性的问题，因此 对未来收益率的预测能力受到限制； PB 能够修正 PCF 所面临的盈利周期性问题 ，但由于供给侧改革改变了 ROE 的长期中枢，且产能周期形态的异化可能影响产能与净资产的联系，因此 PB 的均值回归性仍然有待考证。 此外，传统估值指标可能面临另外两个问题 ：第一，前述指标都依赖于必要回报率的稳定性，但事实上必要回报率是高度可变的，因此 我们往往无法辨识估值的下移是由于风险溢价抬升还是定价错误 ；第二，其均 值回归的完成往往需要数年， 无法满足中短期投资钢铁行业的需求 。这要求我们进一步开发更适用的估值体系。 二、钢铁股定价范式研究：多资产锚市盈率的推导、评价与结论 针对钢铁股定价范式的理想特征，我们推导了多资产锚市盈率（ MAPE）体系 ，这一体系从理论和实证角度均被证明具有良好的均值回归性和收益相关性，因此更加适用于钢铁行业的精准择时研究。根据 MAPE 所采用的必要回报率假设，我们可以将 MAPE 分为无风险折价的 MAPE和全风险折价的 MAPE。其中： 适用于度量整体意义上的估值水平，适宜于中长期投资，且能够映射系统性定价水平。 由其观测，钢铁股 整体意义上处于低估水平， 但估值修复需要以系统性风险偏好复苏为条件。因此，我们建议 在偏中期的时间内关注具有盈利增长弹性的个股，等待未来系统性风险偏好改善下盈利复苏与估值修复带来的投资机会。 适用于度量相对意义上的估值水平，适宜于偏短期投资。 由其观测，当前 钢铁股相对估值处于一个偏中性的位置 ，基于估值维度投资钢铁行业未必能够取得明显的超额收益。在当前基本面整体偏好的情况下， 钢铁股如果进一步进入低估位 置即可能带来较好的投资机会，建议持续关注 表现。 三、钢铁股量化择时研究：基于多资产锚市盈率的跨资产套利组合策略 我们使用申万钢铁指数和期货盘面利润了建立了一个跨资产套利组合，仅仅使用 MAPE 作为信号进行择时。基于策略的结论是， 在市场平稳时可以帮助投资者高频且精准地识别估值高低，能较好地协助风险控制；则 具备较为良好的“穿越牛熊”能力，其判断能力不会因为市场处于何种状态而发生明显的削弱。 四、投资建议：钢铁股定价研究的几点结论 估值指标选择方面 ，我们建议在多因子策略当中使用 PCF 和 PB 作为钢铁股估值的便捷选择，但在深入研究与择时时，分别使用 和 锚定中长期绝对估值与短期相对估值。 估值位置方面 ，当前钢铁股整体意义上处于明显低估水平（主要是市场系统性定价偏低导致的）、相对意义上估值中性偏低。 配置建议方面 ，中期可关注盈利增长弹性标的以待估值修复契机，短期内建议关注低估窗口。 五、风险提示： 由于期货数据原因，全样本区间时间较短，可能影响研究结论的稳健性；指标推导过程当中依赖于诸多资产定价理论的模型和假设，可能在特定条件下具有不适用性；套利组合策略在实际应用过程当中存在交易对象的不可交易问题。 识别风险 ， 发现价值 请务必阅读末页的免责声明 2 / 35 Table_PageText 行业专题研究 |钢铁 目录索引 前言：钢铁股定价研究 行业研究的另一维度 . 4 一、股票定价范式：理想特征与钢铁股估值体 系综述 . 5 （一）初论定价研究： 一个良好的定价范式应具备什么特征？ 均值回归性与收益相关性 . 5 （ 二 ） 钢铁股估值体系 综述 ：主流估值指标在重资产、强周期的钢铁行业的适用性如何？ PCF 与 PB 相对适用但仍有局限 . 7 二、钢铁股定价范式研究：多资产锚市盈率的 推导、评价与结论 . 16 （ 一 ） 钢铁股定价范式的建立：多资产锚市盈率的推导与构建 . 16 （ 二 ） 钢铁股定价范式评价：多资产锚市盈率具备均值回归、收益相关与系统映射意义，但在泡沫行情中仍具不适用性 . 19 （ 三 ） 钢铁股定价研究结论：当前钢铁股估值在什么位置？ 整体意义显著低估、相对意义 中性偏低 . 26 三、钢铁股量化择时研究：基于多资产锚市盈 率的跨资产套利组合策略 . 27 （一） 策略 简述：跨资产套利组合的构建及择时方法 . 27 （ 二 ） 策略结论 ： 无风险折价的多资产锚市盈率在平稳行情下具有高准确性，全风险折价的多资产锚市盈率具备跨越市场轮动的适应能力 . 28 四、钢铁股 定价研究的核心结论 . 31 （ 一 ） 如何给钢铁股估值？ PCF 与 PB 为便捷之选，使用无风险与全风险折价的多资产锚市盈率锚定中长期绝对估值与短期相对估值 . 31 （ 二 ） 当前钢铁股估值水平如何？ 整体意义明显低估、相对意义中性偏低，钢铁股低估折射系统性定价偏低 . 32 （ 三 ） 从钢铁股估值来看应如何配置？ 中期建议关注盈利增长弹性标的以待估值修复契机，短期内 建议关注低估窗口 . 32 五、风险提示 . 33 识别风险 ， 发现价值 请务必阅读末页的免责声明 3 / 35 Table_PageText 行业专题研究 |钢铁 图表索引 图 1：良好估值指标的可能形态 . 6 图 2：非良好估值指标的可能形态 . 6 图 3：良好估值指标与收益率的可能关系 . 7 图 4：非良好估值指标与收益率的可能关系 . 7 图 5：钢铁行业的股息 率具有明显的异常波动性，且不体现明显的均值回归特征 . 8 图 6：钢铁行业的市盈率表现好于股息率，但仍然并不稳定 . 9 图 7：钢铁行业的 EV/EBITDA 稳定性好于 PE，但在行业底部区域呈现异常波动. 10 图 8：相较于 PE 和 EV/EBITDA，钢铁行业的市现率稳定性较佳 . 11 图 9： CAPE 被证明在美股市场上具有较好的均值回归性和收益相关性 . 12 图 10： CAPE 的稳定性好于其他指标，但均值回归性并不能得到验证 . 13 图 11： PB 同样适用于修正周期性 . 13 图 12：从 MAPE的走势来看， 2014 年 3 月至今钢铁股的估值可以分为三个阶段. 20 图 13：全样本区间内， MAPE的整体收益预测能力并不强 . 21 图 14：全样本区间内， MAPE与收益率的相关性较弱，回归方程 R 方仅 0.1307. 21 图 15：风险偏好稳健区间内， MAPE具有较好的收益预测能力 . 22 图 16：风险偏好稳健区间内， MAPE收益相关性显著增强， R 方达到 0.6727 22 图 17： 在全样本区间内具有较为良好的均值回归性 . 23 图 18：全样本区间内， 的收益预测能力尚可，但在 2014-2015 年期间有效性较弱 . 24 图 19：全样本区间内，受泡沫行情影响， 与相对收益率的回归方程的 R方仅 0.305 . 24 图 20：剔除泡沫行情后， 的收益预测能力整体较佳 . 25 图 22：剔除泡沫行情后， 与相对收益率的回归方程 R 方提升至 0.556 . 25 图 22： 基于 的策略在 风险偏好稳健区间内夏普比率为 2.13（ 0.97），年化收益回撤比为 3.65（ 1.58） . 29 图 23： 基于 的策略在 全样本区间内夏普比率为 1.25（ 0.89），年化收益回撤比为 1.93（ 1.11） . 30 表 1：主要估值指标的收益相关性概览 . 14 识别风险 ， 发现价值 请务必阅读末页的免责声明 4 / 35 Table_PageText 行业专题研究 |钢铁 前言：钢铁股 定价 研究 行业研究的另一维度 在传统的行业研究体系当中，我们专注于对公司或行业的基本面进行探讨，以提供更为准确的基本面解读和预测。这种单一维度的研究可能面临这样的风险，即股票价格未必是基本面的准确映射，股票价格本身可能隐含着对理论价值的背离和回归。 而解决上述问题乃至从风险暴露中获利的诉求则向我们要求行业研究的另一个维度，即定价研究。 从广义的视角上来看，对钢铁股定价的重新审视和研究具备两个维度上的价值。一方面，传统的估值指标（ PE、 PB等）在钢铁等周期行业的投资当中存在一定程度的不适用性， 基于行业特质的资产定价研究将为行业估值提供更加准确的依据，从而服务于更为精准的择时决策及量化策略开发 。另一方面，钢铁股作为具备较清晰定价逻辑的资产，其定价可以成为折射权益市场定价的一个微观窗口，因此 对钢铁股定价的准确理解或可帮助投资者挖掘市场实际定价水平及发现错误定 价（如资产价格泡沫等）。 作为钢铁行业量化研究系列的第三篇，本篇尝试开发一套符合行业特质的估值指标体系。 具体而言，本篇将回答以下三个问题： （ 1） 良好的定价范式应当具备什么特征？ 我们将基于资产定价理论给出定价范式的理想特征，并基于此评估对已有估值指标在钢铁行业中的适用性进行评述。 （ 2） 如何构建一套满足上述特征的、适合于钢铁行业的估值指标？ 我们将完成理想估值指标的推导和证明；进一步的，我们将提供对构建估值指标的优劣势评价，以及基于估值指标的观测结论。 （ 3） 基于估值指标如何进行择时？ 我们将基于构建的估值指标 开发一个简易的量化套利策略以验证指标有效性，并为未来可能的量化投资提供参考框架。 识别风险 ， 发现价值 请务必阅读末页的免责声明 5 / 35 Table_PageText 行业专题研究 |钢铁 一、股票 定价范式：理想特征与钢铁股估值体系综述 在构建钢铁股估值指标与定价方法前，我们先探讨钢铁股定价范式，以形成一个基本框架。 具体地，本章我们首先结合传统估值理论与实际投资研究需要提出股票定价范式的理想特征，以界定估值指标优劣的评价基准；进一步的，我们基于该基准评价市场上常用的估值指标，且简单探讨各指标在当前市场条件下的适用性。 （一）初论定价研究： 一个良好的定价范 式应具备什么特征？ 均值回归性与收益相关性 投资研究的最终目的在于提供准确的市场展望（预测未来股票价格的上涨或者下跌），以做出正确的投资决策。 那么，作为投资研究的一个分支，定价研究如何实现“预判未来”的职能？ Campbell和 Shiller在其 2001年发表的工作论文 Valuation Ratios and the Long-run Market Outlook: An Update当中曾经这样界定资产定价与市场展望的关系：“我们有理由相信，股票价格不可能总是过度偏离由基本面所决定的名义水平 如 果股票价格相对于其基本面水平变得奇高，那么它未来最终必然会回落，以将估值指标带回到正常的历史水平 ” 。 定价研究要解决问题是：股票价格是否偏离了正确的价格水平？ 如果股票价格过高或者过低，则我们可以一定程度上预测未来股票价格将下跌或者上涨。这意味着可以通过购买价格过低的股票或卖出价格过高的股票来实现盈利。 上述表示较好地界定了 定价范式的两个理想特征，即均值回归性（能够判断价格过高或过低）和收益相关性（可以预示未来价格将下跌或上涨）。 1、均值回归性 一个良好的定价范式要回答的第一个问题是当前价格水平是否过高或者过低 。对这个问题的回答隐含着良好定价范式的两个理想条件，即可测定均值的稳定性（均值为常数或不会产生漂移）和定价向均值回归的惯性。 如果估值指标的中枢并不稳定，则判断估值过高或者过低时失去基准 （比如，我们无法界定上证综指在 3000点附近是否是过低的，因为上证综指是具有趋势性的，它不具备一个恒定的中枢水平） ；如果估值指标过高或过低时不必然收敛至中枢水平，而是可持续发散或维稳于高位、低位的，那么估值的高低对于投资也不具备指导意义 （比如某个估值指标能够长时间维持在历史水平的 90%分位以上，则我们很难界定 90%是否为过高的估值分位）。 因此，我们认为良好定价范式的第一个条件是均值回归特征（如图 1所示例），它允许我们能够对定价高低形成概念，这是进一步探讨的基础。 识别风险 ， 发现价值 请务必阅读末页的免责声明 6 / 35 Table_PageText 行业专题研究 |钢铁 图 1：良好估值指标的可能形态 图 2：非良好估值指标的可能形态 数据来源：广发证券发展研究中心 数据来源：广发证券发展研究中心 2、收益相关性 对良好定价范式的另一个关键要求是对未来收益率的预测能力，它是均值回归性所带来的结果。 如 Campbell和 Shiller（ 2001）所提到的，“如果一个估值指标一直在合理区间当中波动，而不是持续发散或维稳于某一极端水平的话， 那么一旦估值指标到达极端水平，它的 分子或分母就必然会移动以使得估值指标回落到合理区间，这使得估值指标的分子或分母将具有可预测性。 比如，一个极低的股息率将会预测未来下跌的股价或者上升的股息水平。” 一个良好的估值指标不仅要具备均值回归性，还要能够预测未来的相对收益率（一个可能的反面案例是白噪 声序列，虽然白噪声序列具有非常明显的均值回归性，但它并不能对未来形成任何预测价值） 。这意味着，如果我们在估值指标的后续时点统计分子与分母的相对收益率， 一个好的估值指标应该与相对收益率形成较为显著的线性相关性（估值指标的收益相关性） ， 如图 3所示例。 一个值得注意的问题是预测期限，它可能进一步决定定价范式的优劣。 如果估值指标的均值回归要求更长期限（如 Shiller提出的 CAPE指标往往匹配于十年期的投资收益），那么这意味着投资者将不得不暴露于更大的基本面风险（长期波动性大于短期波动性）及投入更高的资金成本（长端无风险收益率高于短端无风险收益率，且对于开放式基金而言它可能意味着更高的流动性压力）。因此， 如果估值指标实现均值回归的期限较短，那么该指标往往相对于较长期的指标具有更高的投资指导意义。 0123456781 11 21 31 41 51 61 71模拟的估值指标 定价中枢定价过高定价过低051015202530351 11 21 31 41 51 61 71模拟的估值指标 定价中枢识别风险 ， 发现价值 请务必阅读末页的免责声明 7 / 35 Table_PageText 行业专题研究 |钢铁 图 3：良好估值指标与收益率的可能关系 图 4：非良好估值指标与收益率的可能关系 数据来源：广发证券发展研究中心 数据来源：广发证券发展研究中心 （ 二 ） 钢铁股估值体系 综述 ：主流估值指标在重资产、强周期的钢铁行业的适用性如何？ PCF 与 PB 相对适用但仍有局限 本节我们展开对钢铁行业各主要估值指标的适用性探讨。 由于本篇关注定价研究在板块择时当中的应用，因此本节也主要从纵向维度来梳理各估值指标，而暂不展开对公司间估值比较的讨论。 从股票定价研究的两个理念出发，我们可以大致将常用的估值倍数归类于两个分支。 第一个分支将资产价格理解为未来现金报酬在当期的折现 ，并将资产价格与影响报酬的诸多要素（如盈利、营收、现金流、 EBITDA等）相联系， 以此衍生出来的估值乘数有如股息率、市盈率、市销率、市现率、企业倍数等。 第二个分支将资产价格联系于账面价值（或者说，清算价值） ，衍生出来的估值乘数有如市净率等。 我们首先由第一个分支展开。第一个分支表达的是资产 -报酬关系，建立于股利贴现模型的基础上： = E （ 1） 其中， E、 分别表示对未来股息的期望和投资者要求的必要回报率。考虑到钢铁行业的强周期特征，我们且认为行业整体不存在长期、永续的 ROE增长，因此我们不对永续增长率 进行设定（但永续增长率 是跨行业估值差异的关键来源）。在永续增长率 不为 0的情况下，上述模型将展开为一般形式： = E E（ 2） 对式（ 1）进行变形，并假设当期股息即为股息的期望（ E = 0）即可得到： -8%-6%-4%-2%0%2%4%6%8%0123456781 11 21 31 41 51 61 71模拟的估值指标模拟的相对收益率 (负向 )(右轴 )-10%-5%0%5%10%15%0123456781 11 21 31 41 51 61 71模拟的估值指标模拟的相对收益率 (负向 )(右轴 )识别风险 ， 发现价值 请务必阅读末页的免责声明 8 / 35 Table_PageText 行业专题研究 |钢铁 0 = （ 3） 式（ 3）的左侧便是股息率的表达式。就这一表达式来看， 股息率的均值回归特征依赖于 ，即必要回报率的长期均衡 。如果 是稳定的，则股息率可能是一个良好的定价范式。 然而， 在钢铁行业的实际投资当中， 前述 = 的假设难以成立，这可能导致股息率的表征存在误差。 其原因在于，分红率是当期公司分红决议的结果，具有高度不确定性。且与此同时，当期分红率并不能代表市场对于未来分红率的一致预期（比如，公司当期不分红的决议并不会导致市场对未来长期分红预期为零）。 这导致股息率容易出现异常波动，且均值回归特征不易体现，如图 5所示。 虽然如此， 一个值得注意的趋势是，未来股息率的有效性可能逐渐增强。 其原因在于供给侧结构性改革以后，供给钝化使得企业的盈利周期形成底端的安全边际，这使得企业不易出现如 2015-2016年的拮据情景， 企业因盈利惨 淡而无法分红的可能性降低。 另一方面，由于政府严禁新增产能，企业资产负债表难以实现内生扩张，企业留存收益的必要性降低， 这也有助于分红率维持在一个相对稳定的平台上。 图 5：钢铁行业的股息率具有明显的异常波动性，且不体现明显的均值回归特征 数据来源： WIND、广发证券发展研究中心 一个解决上述问题的方法是假定市场对分红率的预期为常数 ，或者理解为，如果将投资期限取得足够长，公司的整体分红率总是向一个常数收敛 。在这种情况下，我们可以将股息进行拆解： E = E = E （ 4） 进一步我们可以再假设市场对于未来盈利的期望等于当期盈利（ E = 0），则结合式（ 4），我们可以将式（ 3）变形写为： 0 =（ 5） 式（ 5）的左侧即是市盈率（ PE）的表达式。也就是说， PE指标的均值回归依01000200030004000500060007000800090000.00.51.01.52.02.53.03.54.04.55.02002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018股息率 :申万钢铁指数 申万钢铁指数 (右轴 )识别风险 ， 发现价值 请务必阅读末页的免责声明 9 / 35 Table_PageText 行业专题研究 |钢铁 赖于 1/的长期均衡。 但是， 对于钢铁企业来说， E = 0这一假设的稳健性仍然颇受质疑，这使得PE可能仍然不是一个足够良好的估值指标 ，这主要是受到行业重资产和强周期两个特征的影响： 第一，钢铁行业作为一个重资产行业，其净利润极易受到非经营性要素的干扰，且这种影响并不可持续。 举例而言，由于重资产带来的高折旧， 钢铁企业可能倾向于通过调节折旧年限来平滑业绩波动，比如在行业景气较弱的时候延长折旧年限以增厚利润 ，但受到资产本身寿命的限制，企业不可能无限期地延长折旧年限，势必要在未来某个时点补回折旧，这就使得市场对未来净利润的预期可能与当期净利润存在负相关。 第二，钢铁行业的强周期性会带来高波动性和预期偏差。 一方面，钢铁企业盈利的周期性也会传导至其财务杠杆的周期性，所以当行业景气恶化时， 行业的资产负债率也会上升并推高其财务费用，从而加速企业亏损，这使得景气周期底部区间PE可能出现剧烈波动 。另一方面， 在数以年计的投资展望期内，市场对未来行业盈利的预期或许反而会跟当期盈利呈现负相关性，比如盈利周期底部时市场对未来盈利的预期可能是向上的，这种特征会扰乱 PE的收益相关性（因此衍生出“高 PE买入、低 PE卖出”的投资逻辑） 。 如图 6所示， PE的稳定性及均值回归特征要显著好于股息率，但仍存在不足。一方面，受财务杠杆加速亏损影响，钢铁行业在 09-11年及 15-16年两个区间出现了市盈率的剧烈波动， 这违背了良好定价范式的均值回归性 ；另一方面，由于前述的盈利预期偏差，在部分时点 PE可能会发出错误的信号，比如 2011年初行业 PE处于底部，但 2011-2014年期间钢铁指数整体呈现下跌态势， 这违背了良好定价范式的收益相关性。 图 6：钢铁行业的市盈率表现好于股息率，但仍然并不稳定 数据来源： WIND、广发证券发展研究中心 那么，如何矫正 PE所存在的上述弊端？ 针对重资产和周期性，有两条主要解决路径： 01000200030004000500060007000800090000204060801001201401601802002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018市盈率 :申万钢铁指数 申万钢铁指数 (右轴 )识别风险 ， 发现价值 请务必阅读末页的免责声明 10 / 35 Table_PageText 行业专题研究 |钢铁 第一条路径是对分母端再向上追溯，使用息税折旧摊销前利润（ EBITDA）来代替净利润作为分母。 这一做法的好处是可以剔除折旧调整和财务费用所带来的影响 。其背后的假设是，从足够长的时间维度来看，无论是企业对折旧的逆周期调节，抑或是财务杠杆波动带来的财务费用波动，都不会对企业的实际盈利带来影响。那么，我们即可以假定市场对净利润 /EBITDA的长期预期为常数（标记为 ），如下： E = E = E （ 6） 进一步再假设市场对于未来 EBITDA的期望等于当期 EBITDA（ E =0），则结合式（ 6），我们可以将式（ 5）变形写为： 0 = （ 7） 当前市场上更为常见的做法是使用企业价值 /息税折旧摊销前利润（ EV/EBITDA）作为式（ 7）左侧的替代 。 如图 7所示，相较于 PE指标，钢铁行业的 EV/EBITDA的稳定性显著增强，且具备较佳的均值回归特征。 但其在 2014-2017这一时间窗口表现出了明显的不稳定性，这与供给高弹性格局下盈利中枢趋向零线有关 （详见我们在2017年 3月 1日发布的如何跟踪与研究钢铁行业：钢铁行业基本面及财务指标跟踪方法与指标构建当中的论述）。 事实上，由于 2016年以来的供给侧改革带来了供给端的高度钝化，钢铁行业的盈利中枢开始明显偏离零线的位置，因此，可预见的是，未来 EV/EBITDA将成为一个较为稳定且具有行业适用性的估值指标。但 EV/EBITDA可能的缺陷在于，它仍然没有对盈利周期性做出修正，因此收益相关性仍会受到较大干扰。 图 7：钢铁行业的 EV/EBITDA稳定性好于 PE，但在行业底部区域呈现异常波动 数据来源： WIND、广发证券发展研究中心 注： EV/EBITDA使用整体法计算。具体计算过程：在每一个时点上找到申万钢铁指数的所有成分股，计算每个个股 i的 EVi和 EBITDAi，并计算 EV/EBITDA = sum(EVi) / sum(EBITDAi)。 EV/EBITDA的一个有效替代是以经营现金流量计算的市现率（ PCF） ，它同样能够刨除折旧调整和财务杠杆带来的扰动（ EBITDA与经营活动现金流是利润表和01000200030004000500060007000800090000.05.010.015.020.025.02002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014 2015 2016 2017 2018EV/EBITDA:申万钢铁指数 申万钢铁指数 (右轴 )