内容首发

乐学偶得(http://lexueoude.com) 公众号： 乐学Fintech

用代码理解分析解决金融问题

我们之前在 《那个骗你50%回报的保险，用的是啥套路》一文中向大家介绍了“持有期回报率，年化持有期回报率，要求回报率，预期回报率”等概念，现在我们就来详细的将模型与建模思路跟大家进行介绍与分享：

首先我们来看要求回报率的CAPM模型：

很多小伙伴可能会觉得这个模型在最开始学金融的时候就会用到，但是实际用在估值上我们应该如果去做呢？

我们先从括号里面的Rm-rf开始讲起，Rm-rf又叫做ERP，(Equity Risk Premium)股权风险溢价，他代表着市场index与无风险利率的差值

那么我们现在来看这个差值应该如何计算啊呢？这个差值肯定不是一个时点值，是一个区间值，所以我们通过调取一年的市场index收益数据,并做平均处理后与无风险利率比较

比如说我们可以通过Python调用tushare的免费接口，获取沪深300的去年一年的数据：

然后通过numpy里面的pct_change()与mean()直接计算出df里的平均的index回报率，作为公式里面的Rm

这里有几个需要注意的事项

1.我们选取的指数需要与我们做估值的股票相关，还有我们经常会忽略的一个因素，因为index是不断调整的，所以我们应该选取稍微稳定的index(stationary)

2.另外我们可以通过选取10年期的国债收益率作为无风险利率rf

这样就可以计算出ERP(Equity Risk Premium)股权风险溢价了。

但是，我们还是需要注意ERP的局限性：

1.幸存者偏差：因为我们是选取指数作为Rm市场回报率的替代，但是指数里的公司，姑且不说全部都是“好公司”，但是至少还是上市公司，并没有退市或者垮掉，所以说会有幸存者偏差，这个我们可以做一下微调，将Rm向下调整即可(具体调整多少我们在之后展开)

2.我们选取的无风险利率也是一个容易导致我们模型与计算不准的来源，因为我们之前也谈过有利率倒挂的问题存在，而且选取长期的利率会使得无风险利率偏高，风险溢价会降低(因为减去一个更大的数)，这个时候我们就需要权衡一下选取无风险利率的数据来源于选取的时间长短。(个人经验是采取配套的原则，也就是如果你预测的时候采取的数据时间是长期的数据，就尽量用长期的国债收益率，如果是短期，就用短期的国债收益率或者货币基金收益率)

3.算平均回报率的时候我们采取不同的计算方法也会很大的影响我们的判断，比如说算术平均是大于几何平均的，这样我们在做估值的时候计算Rm如果通过算数平均就会得到更高的回报率，从而根据

整体要求回报率上升，这样，我们在做未来现金流折现的时候，相应的discount rate折现率也会上升(因为我们是用要求回报率进行折现成NPV)

所以会导致你估出来的资产内在价值偏低，这样你很容易认为这个资产的现在的市场价值是高估的，误short资产

同样，如果我们采取几何平均，则恰恰相反，整体要求回报率下降，计算NPV时，折现率相应下降，计算出的内在价值会偏高，这样你很容易认为这个资产的现在的市场价值是低估的，误long资产。

好了，到此我们就已经介绍完了历史法的估值思路，我们最后再理一理：我们先把市场回报率，无风险利率等带入CAPM模型，通过CAPM模型计算出要求回报率re，然后通过将未来现金流折现

这样我们就可以计算出资产的内在价值了。

当然，历史法进行估值有一个致命的局限性，正如一句话说的好：“用历史估计未来就像看着后视镜开车”，所以我们在下一篇中开始介绍forward-looking estimate(前瞻性的估值方法)

更多通过代码分析金融问题的内容，推荐一个连载视频，用Python做爬虫，数据分析，全栈建设，Fintech金融量化，机器学习，办公自动化，树莓派，美好生活DIY，......2000+连载，不仅有编程，还有更多原理讲解。零基础Python入门编程全栈量化AI - 网易云课堂​study.163.com

另外，也欢迎关注一个非常干的干货公众号： 乐学Fintech 用代码理解分析解决金融问题