1.1 为教科书正名：找到理论模型的正确打开方式

在以赚钱为根本目的的资本市场上，大谈课本模型是容易被嘲笑的。理论归理论，现实归现实，会写美拉德反应的化学方程式，不代表就能煎好牛排；菜谱上写的该放多少糖多少盐和茴香豆的四种写法没有根本区别，真正的五星级酒店大厨一般只会告诉你：适量。

回到估值，课本模型毫无疑问在逻辑上是严谨的。现金流折现（Discounted Cash Flow，DCF）模型、投资组合理论、资本资产定价模型（Capital Asset Pricing Model，CAPM）、有效市场假说等，任何一本金融教科书都不可能绕开这些内容，但是很少有投资者会主动精确计算不同股票之间的协方差，然后根据有效边界优化组合。

无论是研究还是投资，我们在绝大多数情况下，都是对个股负责，保障我们推荐的或购买的具体股票能涨，且最多是在定性的层面考虑一定程度的对冲，用来控制回撤、降低风险。

究其根源，以投资组合理论为例，离开课本语境后，至少在主动投资领域，其很难在定量层面指导投资。简单来说（详细介绍及模型启示见1.3节），投资组合理论建立在两个假设基础上。第一，世界是存在不确定性的，因此每只股票的实际收益率都是一种概率分布。分布的中点称为预期收益率，分布的离散程度用方差来表示，方差越大意味着收益率越不稳定，偏离预期收益率的可能性就越大。

第二，如果存在多只股票，不同股票之间的收益率偏差是存在相关性的，但是通常不会是100%相关，而是一定程度的相关，相关系数可正可负，也可以是零。因此，只要我们知道每只股票的预期收益率、收益率的方差及两只股票收益率之间的协方差，我们就可以构建一个组合，实现在方差不变的情况下提高收益率，或者在收益率不变的情况下减小方差，并且还存在一个最小方差组合，可以用解方程的方法算出来。

整个推导过程中，除了两个核心假设外，剩下的都是纯粹的数学推导，逻辑上是没有问题的。两个核心假设也没什么问题，实际收益率确实存在波动性，不同股票之间的波动方向确实不是线性正相关的，一只股票的突发利空，可能是另一只股票的利好，或者两只股票完全独立。假设合理，推导正确，结论自然就是正确的。

然而问题是，如何定量计算一家公司的股票的收益率方差，乃至不同股票之间的协方差呢？例如，隆基股份和保利协鑫[1]的收益率相关系数到底是正的还是负的，可再生能源补贴对两者都是利好，欧美光伏“双反”（反倾销、反补贴）对两者都是利空，只有单晶与多晶的相对效率变化对两者是一个利好一个利空。

如果更严谨一点，甚至连最后一个都不一定，站在2013年这个时间点上看，就算看准了单晶硅片这一路线胜出，谁又能保证最终胜出的一定是隆基股份？就像站在2009年这个时间点上看，也很少有人能看准，取代尚德电力地位的，是保利协鑫。

因此，回顾一下课本案例，不同股票的收益率方差、协方差、相关系数往往都是作为背景设定，直接给到我们的，然后来考验我们推导公式的能力。而在现实中，判断收益率方差和协方差才是最关键的，收益率方差相对容易计算，协方差在大多数情况下很难定量计算。一方面，估值是面向未来的，历史数据不能代表未来；另一方面，股价的表现还会受到市场的非理性因素影响（本书第4章会详细介绍），从基本面相关性到股价相关性，两者还隔着一道传导。

由此可以看出，基于数学逻辑的推导过程在这里是中断的，引入假设所带来的误差，远远大于提高模型精确度所带来的收益。这个问题是所有理论模型的通病。再如CAPM，根据笔者的观察，现实中CAPM的应用范围应该比投资组合理论更广一些，在用DCF模型估值的时候，很多人会根据风险溢价和beta系数来计算股权折现率。

虽然CAPM所依赖的假设更强，但是其计算简单，而且这还是一个得过诺贝尔奖的模型，即便用错了，顶多被批评说过于学院风，一般也不会被质疑能力，“场面不会太难看”。所以说，这是一个“饭碗友好型”模型。

然而，CAPM其实是在投资组合理论的基础上，引入新的假设后推导出来的，如果投资组合理论不成立，那CAPM就势必不成立。投资组合理论的推导过程虽然复杂，但CAPM的推导过程更复杂，只不过后者的结论非常清爽，方便记忆，比较适合人类的思维方式，尤其是做投资的人。

从脉络上来看，DCF模型、投资组合理论、CAPM是一脉相承的，属于层层递进的关系。每一个新的结论，都是在上一个结论的基础上，引入新的假设推导出来的。但是实战中不是这样思考问题的，实战中用的模型，其实大部分不能称为模型，而只是经验公式，如各种相对估值法。理论模型与实战模型的关系，可以类比成方程的解析解和数值解：解析解强调逻辑的严谨性，但是用起来可能并不方便；数值解不讲逻辑，但是能用。

总结来看，理论模型与现实应用之间，主要有三个断点。

（1）部分假设的现实适用性值得商榷。理论模型大多着眼于世界应该怎样，但是现实世界中有很多干扰因素，如交易机制的限制、市场的健全程度等。模型参数的完备性也很难保障，现实中很多变量无法被识别，甚至会被无意识地遗漏，可能带来错误的因果判断。

（2）部分参数可能缺乏可靠的计量手段，导致估计误差过大。如上述讨论，很多模型在逻辑上是自洽的，但是相关参数在现实中很难计算，当误差大到无法忽视甚至影响结论时，进一步升级模型就没有意义了。

（3）大部分模型没有或者很难量化考虑非理性因素带来的影响。市场并不是永远理性的，投资者的错误观点往往还存在惯性。在特定场景下，非理性因素甚至可以成为主导因素。资本市场是一个以成败论英雄的地方，由市场非理性带来的损失也是损失。

然而，尽管如此，笔者认为解析解，至少是寻找解析解的努力，仍然是重要的。首先，理论模型描述的是一个制度足够成熟、投资者绝对理性的理想市场，虽然这两个假设在当前的A股市场（甚至是全球市场）都不成立，但是至少是市场发展的方向，可以预见的是，经验公式会越来越向理论模型靠拢，了解理论模型可以帮助我们做出前瞻性判断。

其次，经验公式都是有适用范围的，在简化了很多假设的同时，也引入了很多新的假设。当环境稳定时，新的假设往往都是背景设定，但是当版本更新后，原有的经验公式就失效了，所谓“一代版本一代神”，了解理论可以帮助我们适应变化。

最后，理论模型有很多有意思的推论。根据逻辑推导可以得出，很多市面上非常流行的说法并不成立，可能仅仅是市场在某个特殊时段，两个参数出现了相关性，而非因果性，例如经典的“假设估值不变，赚业绩增速的钱”“只要增速足够快，就可以穿越周期，淡化估值”。所谓一分风险一分收益，用伪因果性来指导实践，那真是太有风险了。

综上，笔者认为理论模型是非常有用的，但是需要正确的打开方式。理论模型带给我们的，更多是方向性的指导，而不是具体的估值计算。结论的推导需要很多假设，记住假设比记住结论更重要，但是从笔者的观察来看，大部分人毕业后（包括笔者自己，现在也是为了写书需求，重新推导了一遍），可能只能记住结论，毕竟假设和推导过程太复杂了。

当然，学术理论无穷无尽，笔者只能选取其中最贴近实战（只是相对而言）的模型，尝试在第1章用通俗的语言依次梳理DCF模型、投资组合理论和CAPM，为后续几章的分析做铺垫。相比模型推导，笔者更倾向于去探索每种模型的哲学内涵，希望得出一些方法论上的东西。同时，对于有理工科背景、实业背景等非金融学科班出身的读者，希望本章能助其厘清一些学术理论脉络。

同时，补充一个本书中会反复涉及的基本知识。社会科学和自然科学的因果关系传导强度是不一样的，对于一个简单的“因为A所以B，因为B所以C”，其中涉及因果关系的传导：一类传导是数学逻辑传导，属于强传导关系，无论传导多少次，因果关系都不会被削弱；另一类是行为逻辑传导，属于弱传导，每传导一次，因果关系就会被削弱一次。

很多时候，我们说的“因为A所以B”，其实是“因为A，所以大概率会发生B”，这就不是数学逻辑，而是行为逻辑，传导是有损耗的。比如，80%已经是一个很高的概率了，但是三个80%相乘后，概率就只有51.2%了。因此，现实中，无论一套推理听上去有多严谨，只要逻辑链条长，其兑现的概率就不高。

区分数学逻辑和行为逻辑对判断最终概率非常重要。例如，“因为供需趋紧，所以要涨价；因为涨价，所以利润提高”，前半句就属于行为逻辑，供需趋紧并不必然带来涨价，只是大概率会涨价；后半句属于数学逻辑，涨价后利润一定会提高（不考虑其他变量）。