标准规范下载简介

中国企业资本成本参数估计表_2021.pdf

图5.11997年初投入1元在2020年底的终值

注册估值分析师（CVA）协会

第五章权益资本成本的基础部分

注册估值分析师（CVA）协会

郫县项目售楼部钢结构主体施工钢结构施工组织设计第五章权益资本成本的基础部分 规模溢

得到的投资收益仍然高于投资于大规模特征的组合1的投资收益，从而进一步说明了规模效应 泛存在性。

2.规模效应存在性随持有期限的变化特征

然而，存在的一个疑问是：相比于大市值规模特征的上市公司组合，小市值规模特征的上市公 同组合是否总是具备更优的业绩表现呢？答案可能是不尽然，小市值公司的股票并不总是比大市值 公司的股票表现得好。实际上小市值公司股票的表现相比大市值公司有很大的波动性，这一结论可 由表5.1中投资组合平均收益标准差随投资组合的规模减小而增大得来。因此，需要回答的一个问 题是：“对于小市值规模特征的上市公司组合，其收益特征多大概率上会优于大市值规模特征的上 市公司组合”。 为了对这一问题做出解答，本报告尝试通过分析和对比不同持有时间长度下，小市值公司组合 和大市值公司组合在业绩表现上的差异。具体来说，不同于前文主要使用年度收益数据，在这里我 们使用1997年至2020年上市公司的月度收益率数据，从而更为细致地探测当投资者分别对不同规 于最大规模特征的上市公司组合收益的发生频率。由于使用了月度数据，我们假设投资者在月初根 据上市公司的流通市值规模水平将上市公司划分为十个不同规模特征的投资组合，每月月初投资者 会对这十个投资组合进行动态的更新调整，每种投资组合的投资方式为等权重投资。

表5.2列出了持有期分别为1个月、1年、3年、5年和10年时，投资于小市值上市公司组合 组合10）的收益高于大市值上市公司组合（组合1）的时期数占总可能时期数的百分比。根据表 5.2的结果可以发现：小市值上市公司组合表现优于大市值上市公司组合的发生频率随着持有期的 增长而增加。换而言之，随着持有期越长，投资于小市值上市公司组合的收益越可能高于投资于大 市值上市公司组合的收益。 考虑到2005年我国发生股权分置改革，这可能对上市公司的风险收益特征产生一定的影响。 因此，我们在变更样本统计期间为2005年至2020年后，重复表5.2的数据统计。变更样本统计期 间后的相应结果见表5.3。直观上可以看到的是，表5.3展现出了与表5.2相同的趋势特征，即随着 持有期的增加，小市值上市公司组合的业绩表现越有可能优于大市值上市公司组合。

注册估值分析师（CVA）协会

第五章权益资本成本的基础部分 一规模溢价

综合表5.2和表5.3的结果，我们可以得到下述两个结论： 第一，规模效应存在不确定性。换言之，规模效应并不总是存在。有时候小市值上市公司组合 表现优于大市值上市公司组合，有时候大市值上市公司组合表现优于小市值上市公司组合。 第二，本报告的结论表明规模效应的不确定性在较短的持有期内更为明显，规模效应的不确定 性随投资期限的增加而减小。换言之，持有期越长，小市值上市公司组合的表现更容易优于大市值 上市公司组合。具体来看，综合表5.2和表5.3来看：若持有期为一个月，小市值上市公司组合优于 大市值上市公司组合的概率约为60%；随着持有期的延长，小市值上市公司组合业绩表现更优的概 率可能越高。这一结论预示了在长期，规模效应和规模溢价确实是估值分析师在估计资本成本时应 该要考虑的一个显著因素。

模效应强弱程度随持有期限的变

注册估值分析师（CVA）协会

第五章权益资本成本的基础部分 一规模溢价

持有起始期投资于小、大市值上市公司组合的年度收益

择季度构建规模组合的原因是为了和后文稳健性的规模组合构建供

注册估值分析师（CVA）协会

第五章权益资本成本的基础部分 一规模溢价

注册估值分析师（CVA）协会

1.规模效应与贝塔估计的关系

第五章权益资本成本的基础部分 一规模溢价

7年1月到2020年12月的OLSbeta，Sumbeta和An

在计算规模溢价的过程中，我们只需要在历史数据回归过程中引入滞后一期的市场超额回报即可。 之所以选择“先将逐季度形成更新投资组合，计算投资组合各月收益率后，再将年度月收益率累计为年度收益率”，而不是“直 年构造投资组合，得到年度收益率”的原因在于：我们这里计算年度贝塔是为了和之前的计算结果进行对比。若单纯采用逐年构造投 合的方式，很有可能出现的情况是：尽管这种方法看似更为简便，但是这使得年度贝塔对应的投资组合与之前按季度更新的投资组合 改，二者的结果自然缺乏可比性。 为了保证前后数据的可比性，与前文一致的是，我们每季度调整规模组合。

注册估值分析师（CVA）协会

第五章权益资本成本的基础部分 一规模溢价

从表5.6中可以看出，与直觉相符的是加总贝塔往往大于OLS贝塔。特别地，对于上市公司组 合规模越大，其OLS贝塔与加总贝塔之间的差异越小。这意味着加总贝塔能够提高小规模上市公司 组合贝塔估计的准确性。从结果中可以看到的是，加总贝塔计算得到的规模溢价一般小于基于OLS 贝塔得到的规模溢价。例如，对于最小市值规模组合（组合10），OLS贝塔为1.0709，所得规模溢 价较大（10.85%），加总贝塔为1.1870，所得规模溢价稍有减少（9.93%）。上述结论表明：对于小 公司来说，加总贝塔往往略大于OLS贝塔。因此，加总贝塔就不容易受到错误衡量贝塔而导致的规 模溢价被高估问题的困扰。 另一个现象是，尽管年度贝塔能够提高小市值组合的贝塔估计，但是，当我们使用年度贝塔来 测算规模溢价时，计算得到的规模溢价并未显著地减小。换言之，我们计算得到的年度贝塔以及其 对应的规模溢价呈现出带有噪音的数据结论。这也可能来自于年度贝塔本身存在的精度偏误。为了 保持样本区间的一致性，我们在年度回归应用的样本数据量为5个，较少的年度数据样本量可能导 致年度贝塔估计的不精确性。 表5.6呈现出的结论是：不论我们如何改变贝塔的测度方法，规模溢价始终存在。综合OLS贝 塔、加总贝塔以及年度贝塔的表现，以及三者各自对应得到的规模溢价，我们初步认为：OLS贝塔 古计得到的规模溢价可能确实存在高估，规模效应强度之强可能确实来自于一定程度上的贝塔估计 误差。但是，这并不能成为否定规模溢价存在性的证据。换而言之，贝塔估计的不精确性所影响的 是计算得到的规模效应的强弱程度，但可能并不影响规模效应的存在与否。 需要注意的是，在运用CAPM模型时，我们需要得到的是最准确而不是最方便的估计。无论分 析师选择何种贝塔估计的方法，必须遵守的规则是贝塔估计的方法需要和规模溢价的计算方法一致 警如：估计小规模上市公司的权益资本成本时，如果“用OLS贝塔乘以权益风险溢价，再加上基于 OLS贝塔得到的规模溢价”，其最终估计结果可能并不如“用加总贝塔乘以权益风险溢价，再加上 一个基于加总贝塔得到的规模溢价，所得到的结果准确。在估计权益资本成本时，无论使用哪一种 贝塔估计量，都应该保证规模溢价与贝塔估计量相匹配。其原因在于保证内部一致性的重要性。因 比，当用OLS方法估计目标公司的贝塔值时，规模溢价应是基于OLS贝塔得到的；而当使用加总

注册估值分析师（CVA）协会

第五章权益资本成本的基础部分 一规模溢价

表5.7贝塔和规模溢价采用不同贝塔估计方法的后果

表5.7列出了当CAPM等式申的贝塔估计量与衡量规模溢价所基于的贝塔估计量匹配（或者不 配）时，对所得权益资本成本的潜在影响。具体来说，在A和D的情况下，CAPM等式申的贝塔 估计量与衡量规模溢价所基于的贝塔估计量匹配，但这两种情况下所得的权益资本成本并不一定相 等（很可能不相等），但二者的差异可能并不会特别强烈。这是因为OLS贝塔对贝塔的估计偏误本 身体现在了规模溢价中，因此当规模溢价和贝塔估计匹配时，对权益资本成本的度量会趋于一致。 而对于情况B：若分析师的贝塔估计量为加总贝塔，而规模溢价的计算则对应OLS贝塔，其结果是 对权益资本成本的高估。其原因在于OLS贝塔可能对贝塔存在低估，那么基于OLS贝塔的规模溢 价会存在高估的可能。与此同时，加总贝塔本身捕捉了一部分OLS贝塔无法获取的风险特征，加总 贝塔大于OLS贝塔，这导致选用加总贝塔度量市场风险时相较于OLS贝塔的估计结果会偏大。两 项作用下，对于权益资本成本的估计自然偏高。而对于情况C则存在相反的情况，基于加总贝塔的 规模溢价本身相对较小，而OLS贝塔衡量的权益风险溢价也较小，两相作用下，对于权益资本成本 的估计自然偏低。

一些批判观点认为，人们错误地将由数据问题而导致的异象当作了规模效应。这些数据问题可 能包括：季节性，买卖弹性偏差和退市偏差等。在这一部分，我们将探讨在两种不同数据集中资产 组合的不同组成部分。 在上一部分对1997年至2020年OLS贝塔、加总贝塔、年度贝塔以及三者对应的规模溢价的计 算过程中，我们曾将最小市值规模上市公司组合（组合10）进行拆分，即，将组合10拆分成两个 子样本，其中组合10中市值规模较大的部分对应组合10a（组合10a中规模较大的部分对应10w， 规模较小的部分对应10x），市值规模较小的部分对应组合10b（组合10a中规模较大的部分对应 10y，规模较小的部分对应10z）。结果显示，组合10中规模较大部分（组合10a）的规模溢价为 9.10%，而组合10中规模较小部分（组合10b）的规模溢价为16.08%，二者之间存在较大的差异。 是什么造成了组合10b如此之高的规模溢价呢？进一步地，组合10b的拆分结果显示：组合10b中 规模较大部分（组合10y）的规模溢价为11.37%，组合10b中规模较小部分（组合10z）的规模溢 价为20.83%。这一结果意味着组合10b的高规模溢价极大地来自于组合10z的特殊性。由此产生的 疑问是何种因素导致组合10z如此之高的规模溢价？ 一些观点认为由于CSMAR数据库中包括了所有的公司，并且没有剔除市值很小的投机公司 （比如新成立的企业）和危机公司。一旦小规模上市公司组合中涵盖了这些投机公司和危机公司， 那么规模溢价的产生很可能是一种选择性偏误，这种观点使得规模效应饱受质疑。为了对“规模效 立是否来自于选择性偏误”进行解答，我们尝试比较组合10y和组合10z中的上市公司特征，以验 证是否是由于一些特殊的公司特征导致了组合10z（微小规模上市公司组合）的高规模溢价。 具体地，我们考察2020年12月组合10y和10z的公司特征（投资组合的形成期为2020年10

注册估值分析师（CVA）协会

第五章权益资本成本的基础部分

月，投资组合的划分依据为上市公司于2020年9月的流通市值规模）。特别地，我们根据2020年9 月两个组合内上市公司的流通市值规模，进一步根据流通市值的95%、75%、50%、25%和5%分位 数寻找具体的上市公司。我们考察的具体公司特征为：2020年12月上述特征公司的流通市值规模 所有者权益账面规模、总资产、应付职工薪酬、营业收入、净利润、息税折旧摊销前利润 EBITDA）以及净资产回报率。 表5.7和5.8分别显示了10y组合和10z组合的公司类型的信息。

表5.72020年12月组合10v公司的分解（单位：亿万

表5.82020年12月组合10z公司的分解（单位：亿元

观察数据，可以发现的一些现象是： 首先，我们发现组合10和组合10z中特征公司在2016年1至2020年12月间的累计交易月份 均不超过30个月，平均来看，组合10y中特征公司的平均累计交易月份为40个月，而组合10z中 特征公司的平均累计交易月份为23.4个月。这意味着收益率序列存在大量缺失值，这些公司或者是 新成立的企业，或者是经历了长期的停牌，这两种可能均显现出小规模上市公司可能确实包含了 些高风险或陷入困境的公司。 其次，从平均水平上来看，组合10y中特征公司的盈利能力（净利润、EBITDA）高于组合10z 中的特征公司。这意味着组合10z中的上市公司可能更具风险性。 从上述两个关于小规模上市公司组合在公司特征分解所得到的结论，我们可以看到：当我们使 用市值来作为规模的判断尺度时，确实可能包含一些困境公司在样本数据范围内，这使得规模效应 确实可能受到一定的选择性偏误问题的影响。因此，分析师在比较不同公司的规模溢价大小时，可 能需要进一步考虑公司是否陷入困境、是否为新成立的公司等等，若不能控制这些额外的影响因素 纯粹比较不同公司的规模溢价可能是缺乏可比性的

3.改变对规模的衡量标准

为了进一步说明规模效应存在 公百规模操的量尺度。具体地， 尝试根据上市公司的总资产、投资资本市场价值 所有者权益账面价值、营业收入以及应付职

注册估值分析师（CVA）协会

第五章权益资本成本的基础部分 一规模溢价

新酬等不同维度的信息来衡量上市公司的规模特征。特别地，前三者一定程度上仍然与公司的市值 挂钩，营业收入则衡量公司的经营实力故而可能反映公司的规模特征，应付职工薪酬体现了上市公 同员工量进而可能侧面说明公司的规模特征。 由于上述信息来自与上市公司的财务报表，信息获取的频度存在局限性，大多数情况只能获取 季度信息，在早年甚至只能获取半年报数据。为此，我们只能在财务信息披露月度的下一个月调整 更新投资组合。具体来说，早年间我们根据年申财报和年报的发布，分别在1月和7月更新投资组 合，随后，我们根据季报发布后的1月、4月、7月和10月更新投资组合。利用1997年至2020年 的上市公司财务数据和收益数据，我们根据财务报表披露的相关信息对上市公司做出降序排列，从 而将上市公司划分为十种规模水平。一且有财务信息披露便对组合进行动态调整（近似于每季度） 每个组合的投资方式为等权重投资。测算规模溢价的时间窗口仍然为60个月滚动时间窗口。值得 注意的是，我们在计算规模溢价过程中，对贝塔估计值做出了lVasicek调整。在得到不同规模水平 上市公司2001年12月至2020年12月的规模溢价序列后，通过求取平均，我们得到不同规模水平 上市公司的平均规模溢价。最后，我们对平均规模溢价做出年化处理

表5.9变更不同规模衡量准则后不同组合的规模溢价（%）

表5.9列示了不同规模衡量方法下，不同规模特征上市公司组合的规模溢价测算结果。在变更 公司规模的量化指标后，公司规模与规模溢价之间仍然存在着一定的关联：从整体上来看，随着上 市公司组合规模的减小，上市公司组合的规模溢价逐渐增加，证明规模效应的稳健性，

4.规模效应与流动性的关系

另一些学者尝试讨论规模效应与其他上市公司股票交易特征的关系，其中一个很重要的问题是 规模效应与流动性之间的关系。流动性会对资本成本产生影响。流动性是指大量证券可以以最低的 成本被交易的时间快慢（并对证券价格产生很小的冲击）。自本兹1981年的文章中提出“规模效应 究竞是由于规模本身引起的，还是与规模紧密关联的其他因素引起（比如流动性）”的疑问以来， 越来越多的研究开始讨论“流动性”对收益的影响，其中衍生出的一个问题即规模效应与流动性之 间的关系。 资本市场理论往往假设投资具有流动性（liquidityofinvestments）。许多风险与收益的研究观测 结果是基于短期投资的数据信息得到的。投资者偏好流动性，并要求流动性风险补偿。但是，流动 性的高低是所有投资共有的风险因素之一。因此所有对流动性溢价的研究，都应该将相对流动性的 高低纳入标的股票风险的考量之中

注册估值分析师（CVA）协会

第五章权益资本成本的基础部分 一规模溢价

我们用罗伯特森和金姆的方法构建了等权重的双重分类投资组合。这里我们应用年度流通市值 信息来衡量规模，而用年度换手率衡量流动性。不同规模水平的上市公司组合构造方式如下：年初 投资者根据上一年度上市公司的流通市值水平、换手率水平将上市公司划分为四种规模水平、四种 流动性水平，对任意双重分类后的投资组合进行等权重投资从而得到该年度内的组合收益率。投资 者每年年初动态调整其各组合。基于此，我们得到1997年至2020年期间十六个双重分类上市公司 组合的年度收益序列。进一步地，我们分别求取1997年至2020年各组合的年度几何平均收益率、 算术平均收益率、收益率序列的标准差以及资产组合中的平均股票数量

注册估值分析师（CVA）协会

第五章权益资本成本的基础部分 一规模溢价

规模效应是基于实证观测提出的：小规模公司面临着更高的风险，因此其资本成本更高。公司 规模与其过去的股权回报高低存在显著的负相关关系：随着公司规模的减小，其股权回报增加；反 之亦然。我们通常认为，投资于小规模上市公司比大规模上市公司的期望收益率更高，因为小公司 更具风险。然而，我们不清楚这种期望收益率的差异是由于规模自身引起的，还是与规模紧密关联 的其他因素引起的。进一步地，不仅最小规模的公司显示出明显的规模效应，除了较大规模上市公 同之外，其他公司也都有明显的规模效应。尽管规模溢价也遭遇不少的质疑与挑战，但数据研究仍 支持观测到规模效应的存在性。更为重要的是，研究显示仅依靠贝塔值衡量风险是不够的，规模溢 价的提出对传统的CAPM模型进行了修正。投资估值与测算资本成本的过程中需要对规模效应做出 进一步的考虑与量化测度，

第六章权益资本成本的基础部分

二、权益风险溢价估算方法

国外学术界估算权益风险溢价的方法分为五大类：历史平均法、股利折现模型法、横截面回归 法、时间序列回归法、问卷调查法。国内学术界估算权益风险溢价的方法分为历史性方法、前瞻性 方法以及问卷调查法。对比可以发现这两种分类之间存在着交叉与重叠，也有着不同之处。本报告 在对权益风险溢价的估算方法进行阐述时，将综合国内外分类方法的相同与不同之处，对各种方法 进行重新分类，在新分类的基础上进行分析与研究。 在估算权益风险溢价的各种方法中，有些方法是基于历史数据来估算的；有些方法是基于未来 预测数据来估算的；有些方法则是基于调查问卷的结果数据来估算的。所以本文从估算方法所使用 的数据来源的角度对目前学术界估算ERP的各种方法进行重新分类，并结合新的分类对已有文献的 成果进行较为全面的归纳与总结。本报告将估算权益风险溢价的所有方法依数据来源分为三大类， 分别为事后估算法、事前估算法和调研估算法。

事后估算法是基于历史数据来估算ERP的方法类别，包含在该类别中的各种方法都是利用过去 的数据，用过去市场的表现来反映预期市场的表现，进而估算ERP的。本报告主要从对历史数据的 处理方式角度将事后估算法分为历史平均法、横截面回归法、时间序列回归法三小类。

注册估值分析师（CVA）协会

章权益资本成本的基础部分一权益风险溢价

划分为事后估算法的第二种方法为横截面回归法。该方法在计算时主要运用横截面回归的手段 来操作。将该方法纳入事后估算法是因为该方法需要找出每只股票或每个组合所受到的系统性风险 大小，然后从其收益率与所受系统性风险的变化关系中推算出ERP。而每只股票或每个组合对系统 性风险的反应力度主要从历史数据中获取，所以将该方法列为事后估算法。 该方法在操作时主要包括两个步骤： 第一步是计算出每只股票（或每个组合）的系统性风险大小。通过以下公式： Rt+k R+k = αi × statevariablest+k + βi × riskfactorSt+k + idiosyncraticriskt+k 其中Ri+k是某只股票或某个组合t时刻至t+k时刻的实际收益率，statevariablest+k指能够反映 当前及以后经济形势变化的某些指标，riskfactorst+k是指反映系统性风险的某些指标， diosyncraticriski+k指某只股票或某个组合的收益率中不能被前两者解释的部分。 利用某只股票或者某个组合的收益率、无风险利率、某些经济风险指标的时间序列回归得出β 的估计值β，即反映了某只股票或某个组合在市场中的风险暴露程度。 协会 第二步则是对ERP的估算。通过以下公式：

将第一阶段回归得到的β以及Ri+k和Rt+k带入上式进行横截面回归，回归得到的入t（k）乘以β 即为所求的ERP估计值。 该方法在使用时需要注意的就是对第一阶段回归的具体处理方式，这关系到最后的回归结果， 进而影响ERP的估算结果。

事后估算法中的第三种方法是时间序列回归法。将此方法纳入事后估算法的原因是： 利用某些能够预测未来市场收益率的变量与市场收益率之间存在的线性关系来估算ERP的 体实施该方法时，主要将这些变量的历史值作为滞后变量（即解释变量）与当前的市场超 即被解释变量）一起进行回归。所以该方法也是基于历史数据对ERP的估算，属于事后 该方法主要通过下列公式实现：

注册估值分析师（CVA）协会

章权益资本成本的基础部分一权益风险溢价

Dt + Dt+1 Dt+2 1Dt+k P= p p

注册估值分析师（CVA）协会

章权益资本成本的基础部分一权益风险溢价

调研估算法是基于问卷调查、直接询问等方式取得的结果来估算权益风险溢价的。该类方法中 最主要的就是问卷调查法。 问卷调查法是采用调查问卷的形式询问经纪代理人当前的ERP水平，然后将被调查者的问卷 结果汇总，进而估算出ERP的。问卷调查法之所以可以用来估算ERP是因为：采用调查问卷的方 式可以综合许多投资者和业内人士的看法，他们当中有很多人非常精通而且（或者）基于自已估算 出的ERP做出了真实的投资决策，所以他们选用的ERP具有一定的参考价值；同时投资者的供给 与需求情况决定了股票的价格，这也是对市场收益率最好的预测。 综上所述，估算ERP的方法体系可麦示为

三、权益风险溢价估算方法的对比分析

1.事后估算法的特点及优劣势

图6.1权益风险溢价的估算方法体系

（1）历史平均法 历史平均法是估算权益风险溢价最简单的方法，也是我国学术界在估算ERP时使用最多的方 去。历史平均法对于ERP的估算是基于历史数据的。该方法假定过去的情况会一直持续到未来，采 用历史数据计算得到的过去的溢价水平也就是对未来溢价水平的预测。这种方法假设风险资产的收 益率与无风险资产的收益率之间具有稳定的关系；用历史平均的ERP可以代替当前的ERP。

第一，根据该方法的计算公式可知，在计算历史权益风险溢价时必须要考虑以下几个因素：股 票市场的收益率如何确定、无风险利率如何确定、历史时间段如何确定、平均数是采用算数平均还 是几何平均，这些因素选择的不同会对结果产生较大影响。 第二，过去的风险不可能是一成不变的，用来估算权益风险溢价的历史数据有可能也是不稳定 的。如果用不稳定的或存在异常极端值的历史数据来估算ERP，那么估算结果可能会偏离真实的溢 价水平。

第一，数据获取较易，计算过程简单。历史数据可以从数据库中取得，且只要将历史数据平 后减去同期的平均无风险利率即可求出ERP

注册估值分析师（CVA）协会

章权益资本成本的基础部分一权益风险溢价

第一，样本期长。历史平均法一般会要求有比较长时间的历史数据，以消除短期收益率波动对 整体样本的影响。 第二，难以预测未来的ERP。历史平均法在使用时假定的是过去会一直持续到未来。但未来市 场的变化情况是未知的，而且非常有可能与过去的情况不一样，所以过去的ERP并不能完全反映未 来的ERP。 第三，方法改进困难。历史平均法主要针对的是过去的样本，对于样本之外的未来数据的测度 是无效的。而且该方法的原理与计算方法都非常简单，很难再对计算公式进行更进一步的调整，所 以想要克服历史平均法无法测度样本以外数据的这一劣势，是比较困难的，

时间序列回归法是从股票的收益率与某些经济变量之间的线性关系中分离出权益风险溢价。该 方法的基本理念就是选择合适的滞后经济变量来解释超额收益率，回归所得的估计值与滞后变量进 行相应四则运算处理就可以估算出ERP。该方法在运用时的内含假定是：市场是非均衡的、是存在 套利机会的

注册估值分析师（CVA）协会

时间序列回归法的特点：

章权益资本成本的基础部分一权益风险溢价

第一，筛后受量 的解释变量，所以ERP的估计值与其密切相关。 第二，滞后变量的选取并不是随意的。滞后变量的选取不仅不随意而且还非常关键。因为滞后 变量必须是能够预测未来收益率的变量，这样才能建立起收益率与变量之间的线性关系，

时间序列回归法的主要优势体现于方法实施相对简单。与横截面回归法不同，时间序列回归法 只要对收益率数据在时间维度上进行处理，使用最小二乘法（OLS）回归出结果即可。

寸间序列回归法的劣势：

第一，变量选取困难。因为最后ERP的估算值会因为滞后变量选取的不同而不同，所以选择 哪一个或哪几个变量是该方法需要解决的首要问题。 第二，忽略了横截面信息。该方法只从时间维度进行分析，不同于横截面回归法中先时间序列 回归再横截面回归的逻辑步骤，所以会忽略某些横截面上的信息，即整个市场中不同资产之间风险 溢价的关系。

2.事前估算法的特点及优劣势

分析师预测估算法的特。

分析师预测估算法的优势：

注册估值分析师（CVA）协会

第六章权益资本成本的基础部分权益风险流

分析师预测估算法的劣势：

建标 157-2011 公共机构办公用房节能改造建设标准（2）统计模型预测估算法

统计模型预测估算法的特点

第一，估算结果会因为预测模型选取的不同而不同。统计模型预测估算法是根据统计模型的回 归结果来获取对未来收益的预测的，预测模型选取的不同，结果自然会有差异。 第二，估算结果会因为折现模型选取的不同而存在差异。内含报酬率原理上的求取过程是一个 无限期的过程，必须选择一定的模型进行估值期间的转化。因为模型选取的不同，结果会有一定的 差异。

统计模型预测估算法的优势

DB52／T 1125-2016 政府数据资源目录 第2部分：编制工作指南3.调研估算法的特点及优劣势

调研估算法的主要方法是问卷 管巾场片