Theta Research 怎么研究一家公司 — 我们的镜头与规则
占位公司 = 我们自己 · 六轴全 10 演示满分长什么样 · 点任意一轴看我们凭什么这么打
深度研究方法论
占位示例:公司下一个已排期的催化剂,以及它对论点意味着什么。
Theta 视角 · 方法论
从原始披露到一张判断卡
估值的结论全押在假设上,而假设在多数研究里是拍出来的。Theta 不替代这套方法,而是用确定性引擎补上它最薄弱的一环,也就是假设本身。
01估值的本质:难的不是算术,是假设
任何估值,无论 DCF 还是倍数,本质都是一台计算器:增长、利润率、资本回报、贴现率、持续期这些假设进去,一个价值数出来。计算器的数学是小学水平,真正决定结果的是那几个输入假设。
02常见的机构估值方法
- 内在估值(绝对法):DCF 把未来自由现金流按资本成本折现,再加上终值;反向 DCF 反过来问现价隐含了多高的增长、这门生意做不做得到;DDM 是分红股的特例。
- 相对估值(倍数 / comps):拿 EV/EBITDA、P/E、EV/Sales 这些同业倍数套到标的上,是机构日常的主力工具。
- 情景 / 概率加权:给牛、基、熊三档目标价各配一个概率,加权之后再和现价比,看安全边际。
- SOTP、NAV、实物期权:分别用于综合性集团、重资产或困境公司、以及生物科技与商品里的可选性。
剥到底,它们共享同一个「价值三位一体」
- 增长有多快、能持续多久
- 资本回报和资本成本谁高(ROIC 对 WACC),它决定增长是创造价值还是毁灭价值
- 这份超额回报能持续多久,这是终值的头号驱动
正如 Damodaran 所说,估值是一个被数字约束的生意故事。
03市面上的两种做法,都存在一些显著缺陷
老派买方
老派买方把这些假设拍在脑子里:增长多快、能维持多久、该用什么贴现率,往往来自一次管理层会议、一段关系、或者一个人的直觉。它因人而异,事后无法审计,错了也指不出是哪一个输入错了。说到底,是给一个猜测套上一张精致的表格。
AI 黑箱预测
新一拨走到另一个极端:把所有序列倒进一个大模型,读出一个数字或一个买卖信号。它说不清为什么,留不下任何依据,会悄悄把自己的回测过拟合,还把一个非平稳、低信噪比的市场当成图像识别来处理。最要命的是,它把唯一该留下的安全阀也去掉了:一个能为这个判断负责的人。
给一家公司估值、下一个判断,市面上往往要么压在一个人的主观判断上,要么交给一个无法解释的黑箱。
Theta 走的是第三条路:一套以深度强化学习为决策内核的量化模型。能用代码算死的事实就算死,只有关系非线性的地方才交给学习层;六轴的全部指标都作为输入进入这套模型,被统一分析。它更可信的原因很简单:每一个输入都可溯源、每一步都留下可审计的依据,而最终的取舍权,握在一个能为它负责的人手里。
04Theta 的做法
方法成熟,但增长、持续期、贴现率这些假设多由分析师手工拍定,口径因人而异,也难以审计。
我们用确定性引擎,从原始披露(EDGAR、13F、FINRA)算出那几个假设该取什么值,并留下可审计的依据。六轴就是这组假设的来源。
05六轴对应的估值旋钮
六轴各自标定一个估值旋钮:
①②③ 构成价值三位一体本身,④⑤⑥ 是价格相对层和认知差。六轴的分一旦确定,一套有据可查的 DCF 与情景假设也就随之确定:算术是标准化的,难的那部分假设引擎已经产出。
06权重是动态的
六根口径对最终判断的贡献,是动态的。每根口径本身在变,它在合成里占的比重也在变:换一个市场状态、换一个行业,谁更重要就随之改变。一个神经网络把这些动态载荷学出来,最终怎么把六根合成一个分,由监督学习和强化学习共同决定。
07质量「标定」估值,而不是跳过它
① 低、② 低(ROIC 约等于 WACC)、③ 6,于是只能用中周期正常化盈利配低周期倍数,牛熊带很宽,也给不了复利机那样的长跑道和高终值。
长跑道、高终值倍数、牛熊带窄;同一台 DCF,假设全被质量抬高。
同样的计算器,六轴的分一变,吐出来的价值数量级就变。
08边界
六轴不直接吐一个价格,也不替你定贴现率;要拿到一个数,仍需要在上面接一层标准的 DCF 或倍数壳。但那层壳是估值里最简单、最标准化的部分,最难的假设已经被确定性地产出。
我们的赌注:代码算出事实,再加一次可审计的判断,比任何单一数字或纯叙事都更可信。