淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


下載電子全文限經由淡江IP使用) 
系統識別號 U0002-2607201723080400
中文論文名稱 以成長價值模型與變數誤差模型建構營建企業評價模型
英文論文名稱 Building Valuation Model for Construction Enterprise with Growth Value Models and Errors-in-Variables Models
校院名稱 淡江大學
系所名稱(中) 土木工程學系碩士班
系所名稱(英) Department of Civil Engineering
學年度 105
學期 2
出版年 106
研究生中文姓名 張葳
研究生英文姓名 Chang Wei
學號 604380195
學位類別 碩士
語文別 中文
口試日期 2017-06-15
論文頁數 171頁
口試委員 指導教授-葉怡成
委員-范素玲
委員-林正平
中文關鍵字 企業評價  成長價值模型  變數誤差迴歸 
英文關鍵字 sand column  laminated  soft clay  numerical modeling  bearing capacity 
學科別分類 學科別應用科學土木工程及建築
中文摘要 成長價值模型認為股票的內在價值是淨值與股東權益報酬率的綜效的結果,公式為 P/B=k∙(1+ROE)^m,其中k、m為待定係數。由於產業、規模、風險這些公司的穩定的重要特性可能會影響k、m值,因此本文的目的在於建立k、m值與這些特性之間的關係,進一步改善模型的預測能力。本研究將2005年至2016年上市上櫃公司的資料分,將各年份以產業分成營建、金融、傳產、電子四個資料集,以規模或風險的大小分成十個資料集,分別估計k、m值。由於GVM模型的自變數ROE存在量測誤差,因此利用變數誤差迴歸(Errors-in-variables Regression)克服此問題,以精確估計模型參數k, m值。結果顯示 (1) 傳統迴歸分析估計的迴歸曲線有嚴重偏差,變數誤差迴歸可以有效矯正此種偏差。(2) 產業影響k, m值。營建的k值較大,金融次之,傳產、電子最小。傳產、電子的m值較大,金融次之,營建最小。(2) 公司的規模對k, m值的影響最大。規模愈大,價值係數愈小,成長係數愈高。顯示大型公司有較高的獲利持續性。(3) 公司的風險對k, m值的影響不明顯。
英文摘要 GVM valuation model considers that PBR is the function of ROE. There are two coefficients in the function. One of them is value coefficient (k), the other is growth coefficient (m). The main purpose of this study is to improve the GVM model by regulating coefficients k and m of the GVM model by using the industry, scale and the risk, which would result in more accurate prediction of PBR. In this research, to calculate the value of k and m, we categorized the data of listed companies from 2005 to 2016 into four data sets according to industrial types (Construction, Finance, Traditional, and Electronic industry). Also, based on the scale or risk, we divided them into ten data sets from low to high. To overcome measurement error in the independent variable(ROE) of GVM model, adopted the Errors-in-variables Regression(EIV) to precisely estimate coefficient k and m. The result shows that: (1) There are some significant biases in the regression curve generated by traditional regression analysis, but it can be correct by using the errors-in-variables regression analysis. (2) Industry category affects the value of k and m. Construction industry has the highest value of k, followed by finance, and the traditional and electronic industry have the lowest value. In contrast, the effects of industry category on the value of m appear the opposite order. (3) The scale of the company has the most significant effects to the value of k and m. The greater the scale is, the less the value coefficient k is whereas the higher the growth coefficient m is, which indicates that large companies get the higher persistence of earning. (4) The risk of the companies won’t significantly affect the value of k and m.
論文目次 章節目錄
誌謝 I
章節目錄 I
圖目錄 V
表目錄 IX
第一章 研究目的 1
1-1研究動機 1
1-2研究方法 3
(一)產業 3
(二)規模 4
(三)風險 4
1-3研究內容 5
第二章 文獻回顧 6
2-1企業評價 6
2-2傳統企業評價方法 6
(1) 剩餘財產請求權 6
(2) 盈餘分配請求權 7
(3) 股息貼現模型(Dividend Discount Model, DDM) 8
(4) 貼現現金流(Discounted Cash Flow, DCF) 9
(5) 剩餘收益估價模型(RIM) 9
2-3成長價值法 10
2-4均值回歸股東權益報酬率 (ROE) 13
2-5 變數誤差迴歸 (Errors-in-variables) 16
第三章 研究方法 19
3-1 前言 19
3-2 成長價值法 19
(1) 公式的假設與推導 19
(2) 公式的特例與意義 21
(3) 公式的實際建構方法:迴歸分析 21
3-3 變數誤差模型 24
(1)線性模型 24
(2)簡單的線性模型 24
(3)Deming 迴歸 25
3-4以成長價值模型與變數誤差模型建構評價模型 29
第四章 係數模型的建構與評估: 基於預估盈餘 33
4-1 前言 33
4-2 產業 42
4.2.1傳統迴歸 42
4.2.2變數誤差迴歸 52
4.3 規模(市值) 63
4.3.1 傳統迴歸 63
4.3.2 變數誤差迴歸 75
4.4 風險 85
4.4.1 傳統迴歸 85
4.4.2 變數誤差迴歸 93
4.5 變數誤差迴歸與傳統迴歸之比較 98
4.6 結論 100
(1) 產業 100
(2) 規模 101
(3) 風險 103
(4) 綜合 104
第五章 係數模型的建構與評估: 105
基於歷史盈餘 105
5.1 前言 105
5.2 產業 113
5.2.1傳統迴歸 113
5.2.2變數誤差迴歸 118
5.3 規模(市值) 124
5.3.1 傳統迴歸 124
5.3.2 變數誤差迴歸 135
5.4 風險 143
5.4.1 傳統迴歸 143
5.4.2 變數誤差迴歸 151
5.5 討論 156
5.6 結論 158
(1) 產業 158
(2) 規模 159
(3) 風險 161
(4)綜合 161
5.7實際演練 162
第六章結論 166
6-1結論 166
6-2建議 167
參考文獻 169








圖目錄
圖1-1 影響ROE持續性、必要報酬率的因素 2
圖1-2 估計各產業的最適k, m值的方法。 3
圖1-3 建構以市值估計k, m值的公式的方法。 4
圖1-4 本研究之內容 5
圖2-1 資本在股票市場和企業之間的流動 7
圖2-2 評價方法 8
圖2-3 因變數誤差方差和/自變數誤差方差和比例之影響 18
圖3-1 淨值成長折現比的均值回歸現象 20
圖3-2 變數誤差模型的架構 25
圖3-3 資料的誤差平方比δ=σε2ση2=1之下,假設δ=0.1, 0.3, 1.0, 3, 10之下,使用戴明迴歸得到的公式 28
圖3-4 2015年的電子股,基於歷史盈餘的ROE與其P/B為例,採取δ=1, 3, 10, 30, 100, 300, 1000, 3000之下,使用戴明迴歸得到的公式 32
圖3-5 2015年的電子股,基於歷史盈餘的ROE與其P/B為例,採取δ=200之下,使用戴明迴歸得到的公式 32
圖4-1. 以GVM預測股價淨值比之曲線,以及以移動平均法預測股價淨值比之曲線的比較:全部股 36
圖4-2 以GVM預測股價淨值比之曲線,以及以移動平均法預測股價淨值比之曲線的比較:小型股與大型股 40
圖4-3 股價淨值比預測值的殘差與總市值的關係 42
圖4-4. 以傳統迴歸與GVM預測股價淨值比之曲線:不同產業之比較 46
圖4-4. 以傳統迴歸與GVM預測股價淨值比之曲線:不同產業之比較 (續) 50
圖4-5以傳統迴歸與GVM預測股價淨值比之參數k與m:不同產業之比較 52
圖4-6. 以變數誤差迴歸與GVM預測股價淨值比之曲線:不同產業之比較 57
圖4-6. 以變數誤差迴歸與GVM預測股價淨值比之曲線:不同產業之比較 (續) 61
圖4-7. 以變數誤差迴歸與GVM預測股價淨值比之參數k與m:不同產業之比較 61
圖4-8. 以傳統迴歸與GVM預測股價淨值比之曲線:不同規模之比較 67
圖4-9. 規模與GVM模型的迴歸係數之關係:傳統迴歸 73
圖4-9. 規模與GVM模型的迴歸係數之關係:傳統迴歸 (續) 74
圖4-10. 以變數誤差迴歸與GVM預測股價淨值比之曲線:不同規模之比較 79
圖4-11. 規模與GVM模型的迴歸係數之關係:變數誤差迴歸 83
圖4-11. 規模與GVM模型的迴歸係數之關係:變數誤差迴歸 (續) 84
圖4-12. beta與GVM模型的迴歸係數之關係:傳統迴歸 91
圖4-12. beta與GVM模型的迴歸係數之關係:傳統迴歸 (續) 92
圖4-13. beta與GVM模型的迴歸係數之關係:變數誤差迴歸 97
圖4-13. beta與GVM模型的迴歸係數之關係:變數誤差迴歸 (續) 98
圖4-14各種產業的公司的ROE-PBR曲線圖 101
圖4-16各種風險的公司的ROE-PBR曲線圖 104
圖5-1. 以GVM預測股價淨值比之曲線,以及以移動平均法預測股價淨值比之曲線的比較:全部股 107
圖5-2. 以GVM預測股價淨值比之曲線,以及以移動平均法預測股價淨值比之曲線的比較:小型股與大型股 110
圖5-3(a) 股價淨值比預測值的殘差與總市值的關係 111
圖5-3(b) 股價淨值比預測值的殘差與beta值的關係 112
圖5-4. 以傳統迴歸與GVM預測股價淨值比之曲線:不同產業之比較 116
圖5-4. 以傳統迴歸與GVM預測股價淨值比之曲線:不同產業之比較 (續) 117
圖5-5. 以變數誤差迴歸與GVM預測股價淨值比之曲線:不同產業之比較 122
圖5-5. 以變數誤差迴歸與GVM預測股價淨值比之曲線:不同產業之比較 (續) 123
圖5-6. 以傳統迴歸與GVM預測股價淨值比之曲線:不同規模之比較 127
圖5-7. 規模與GVM模型的迴歸係數之關係:傳統迴歸 133
圖5-7. 規模與GVM模型的迴歸係數之關係:傳統迴歸 (續) 134
圖5-8. 以變數誤差迴歸與GVM預測股價淨值比之曲線:不同規模之比較 138
圖5-9. 規模與GVM模型的迴歸係數之關係:變數誤差迴歸 141
圖5-9. 規模與GVM模型的迴歸係數之關係:變數誤差迴歸 (續) 142
圖5-10. beta與GVM模型的迴歸係數之關係:傳統迴歸 149
圖5-10. beta與GVM模型的迴歸係數之關係:傳統迴歸 (續) 150
圖5-11. beta與GVM模型的迴歸係數之關係:變數誤差迴歸 155
圖5-11. beta與GVM模型的迴歸係數之關係:變數誤差迴歸 (續) 156
圖5-12各種產業的公司的ROE-PBR曲線圖 159
圖5-13各種規模的公司的ROE-PBR曲線圖 160
圖5-14各種風險的公司的ROE-PBR曲線圖 161
圖5-15各種產業的實際演算時間-PBR曲線圖 163
圖5-16各種產業的實際演算時間-PBR曲線圖 164
圖5-17各種產業的實際演算時間-PBR曲線圖 165
圖5-18各種產業的實際演算時間-PBR曲線圖 165

表目錄
表2-1 成長價值法文獻比較 13
表3-1 不同因變數對自變數的誤差平方比δ之下的迴歸公式與預期報酬率 30
表4-1 不同產業的k值、m值、必要報酬率 51
表4-2 不同產業的k值、m值、必要報酬率 62
表4-3 不同總市值的總市值 68
表4-4不同總市值的beta 69
表4-5不同總市值的k值 70
表4-6不同總市值的m值 71
表4-7不同總市值的必要報酬率 72
表4-8 各年度的十等分總市值的k值 80
表4-9各年度的十等分總市值的m值 81
表4-10各年度的十等分總市值的必要報酬率 82
表4-11 不同beta的總市值 86
表4-12不同beta的beta 87
表4-13 不同beta的k值 88
表4-14不同beta的m值 89
表4-15不同beta的必要報酬率 90
表4-16 各年度的十等分beta的k值 94
表4-17 各年度的十等分beta的m值 95
表4-18 各年度的十等分beta的必要報酬率 96
表4-19 GVM的估計k值與m值:人工調整 99
表4-20 GVM的估計k值與m值之比較 100
表4-21 不同產業的k值、m值、必要報酬率 101
表4-22 不同規模的k值、m值、必要報酬率 103
表4-23 不同風險的k值、m值、必要報酬率 103
表5-1不同產業的k值、m值、必要報酬率 (五面向) 118
表5-2不同產業的k值、m值、必要報酬率 (五面向) 124
表5-3不同總市值的總市值 128
表5-4不同總市值的beta 129
表5-5不同總市值的k值 130
表5-6不同總市值的m值 131
表5-7不同總市值的必要報酬率 132
表5-8各年度的十等分總市值的k值 138
表5-9各年度的十等分總市值的m值 139
表5-10各年度的十等分總市值的必要報酬率 140
表5-11不同beta的總市值 144
表5-12不同beta的beta 145
表5-13不同beta的k值 146
表5-14不同beta的m值 147
表5-15不同beta的必要報酬率 148
表5-16各年度的十等分beta的k值 152
表5-17各年度的十等分beta的m值 153
表5-18各年度的十等分beta的必要報酬率 154
表5-19 GVM的估計k值與m值:人工調整 157
表5-20 GVM的估計k值與m值之比較 158
表5-21 不同產業的k值、m值、必要報酬率 159
表5-22 不同規模的k值、m值、必要報酬率 160
表5-23 不同風險的k值、m值、必要報酬率 161

參考文獻 參考文獻
1. Adsera, X., & Vinolas, P. (2003). FEVA: A financial and economic approach to valuation, Financial Analysts Journal, 59(2), 80-87.
2. Amemiya, Y. (1985). Instrumental variable estimator for the nonlinear errors-in-variables model, Journal of Econometrics, 28(3), 273-289.
3. Baginski, S. P., Lorek, K. S., Willinger, G. L., & Branson, B. C. (1999). The relationship between economic characteristics and alternative annual earnings persistence measures, The Accounting Review, 74(1), 105-120.
4. Bajaj, M., Denis, D. J., & Sarin, A. (2004). Mean reversion in earnings and the use of E/P multiples in corporate valuation, Journal of Applied Finance, 14(1), 4-10.
5. Canarella, G., Miller, S. M., & Nourayi, M. M. (2013). Firm profitability: Mean-reverting or random-walk behavior?, Journal of Economics and Business, 66, 76-97.
6. Cassano, M. A. (2000). Learning and mean reversion in asset returns, The Quarterly Review of Economics and Finance, 39(4), 529-545.
7. Chan, L. K., Karceski, J., & Lakonishok, J. (2003). The level and persistence of growth rates, The Journal of Finance, 58(2), 643-684.
8. Chen, A. S., & Lin, S. C. (2011). Asymmetrical return on equity mean reversion and catering, Journal of Banking & Finance, 35(2), 471-477.
9. Chen, H. Y., Lee, A. C., & Lee, C. F. (2015). Alternative errors-in-variables models and their applications in finance research, The Quarterly Review of Economics and Finance, 58, 213-227.
10. Dechow, P. M., Hutton, A. P., & Sloan, R. G. (1999). An empirical assessment of the residual income valuation model, Journal of accounting and economics, 26(1), 1-34.
11. Dechow, P. M., & Ge, W. (2006). The persistence of earnings and cash flows and the role of special items: Implications for the accrual anomaly, Review of Accounting studies, 11(2-3), 253-296.
12. Edwards, E. O., & Bell, P. W. (1965). The theory and measurement of business income. Univ of California Press, Oakland.
13. Erickson, T., Jiang, C. H., & Whited, T. M. (2014). Minimum distance estimation of the errors-in-variables model using linear cumulant equations, Journal of Econometrics, 183(2), 211-221.
14. Fernández, P. (2007). Valuing companies by cash flow discounting: ten methods and nine theories, Managerial Finance, 33(11), 853-876.
15. Francis, J., Olsson, P., & Oswald, D. R. (2000). Comparing the accuracy and explainability of dividend, free cash flow, and abnormal earnings equity value estimates (Digest Summary), Journal of accounting research, 38(1), 45-70.
16. Frankel, R., & Litov, L. (2009). Earnings persistence, Journal of Accounting and Economics, 47(1), 182-190.
17. Freeman, R. N., Ohlson, J. A., & Penman, S. H. (1982). Book rate-of-return and prediction of earnings changes: An empirical investigation, Journal of accounting research, 20(2), 639-653.
18. Garza-Gómez, X. (2001). The information content of the book-to-market ratio, Financial Analysts Journal, 57(6), 78-95.
19. Gilson, S. C., Hotchkiss, E. S., & Ruback, R. S. (2000). Valuation of bankrupt firms, Review of Financial Studies, 13(1), 43-74.
20. Gowlland, C., Xiao, Z., & Zeng, Q. (2009). Beyond the central tendency: Quantile regression as a tool in quantitative investing, The Journal of Portfolio Management, 35(3), 106-119.
21. Griliches, Z., & Hausman, J. A. (1986). Errors in variables in panel data, Journal of econometrics, 31(1), 93-118.
22. Jegadeesh, N., Noh, J., Pukthuanthong, K., Roll, R., & Wang, J. L. (2015). Empirical Tests of Asset Pricing Models with Individual Assets: Resolving the Errors-in-Variables Bias in Risk Premium Estimation.
23. Kim, D. (1995). The errors in the variables problem in the cross‐section of expected stock returns, The Journal of Finance, 50(5), 1605-1634.
24. Leccadito, A., & Veltri, S. (2015). A regime switching Ohlson model, Quality & Quantity, 49(5), 2015-2035.
25. Lie, E., & Lie, H. J. (2002). Multiples used to estimate corporate value, Financial Analysts Journal, 58 (2), 44-54.
26. Liu, J., Nissim, D., & Thomas, J. (2002). Equity valuation using multiples, Journal of Accounting Research, 40(1), 135-172.
27. Liu, J., & Ohlson, J. A. (2000). The Feltham-Ohlson (1995) model: empirical implications, Journal of Accounting, Auditing & Finance, 15(3), 321-331.
28. Liu, Y. C., & Yeh, I. C. (2015). Building Valuation Model of Enterprise Values for Construction Enterprise with Quantile Neural Networks, Journal of Construction Engineering and Management, 142(2).
29. Lundholm, R., & Sloan, R. (2012). Equity valuation and analysis. McGraw-Hill/Irwin, New York.
30. Minami, S., & Wakatsuki, T. (2014). Low volatility of roe is a proxy for sustainability of ROE: Earnings quality in Japan. Available at SSRN: https://ssrn.com/abstract=2480179.
31. Mueller, D. C. (1977). The persistence of profits above the norm, Economica, 44(176), 369-380.
32. Murstein, B. I. (2003). Regression to the mean: one of the most neglected but important concepts in the stock market, The Journal of Behavioral Finance, 4(4), 234-237.
33. Narayan, P. K., & Smyth, R. (2007). Mean reversion versus random walk in G7 stock prices evidence from multiple trend break unit root tests, Journal of International Financial Markets, Institutions and Money, 17(4), 152-166.
34. Ohlson, J. A. (1995). Earnings, book values, and dividends in equity valuation, Contemporary accounting research, 11(2), 661-687.
35. Ohlson, J. A. (2001). Earnings, book values, and dividends in equity valuation: An empirical perspective, Contemporary Accounting Research, 18(1), 107-120.
36. Park, Y. S., & Lee, J. J. (2003). An empirical study on the relevance of applying relative valuation models to investment strategies in the Japanese stock market, Japan and the World Economy, 15(3), 331-339.
37. Penman, S. H. (1998). A synthesis of equity valuation techniques and the terminal value calculation for the dividend discount model, Review of Accounting Studies, 2(4), 303-323.
38. Poterba, J. M., & Summers, L. H. (1988). Mean reversion in stock prices: Evidence and implications, Journal of financial economics, 22(1), 27-59.
39. Luehrman, T. A. (1997). What's it worth? A general manager's guide to valuation, Harvard business review, 75(3), 132-142.
40. Welc, J. (2011). Mean-reversion of net profitability among Polish public companies, Accounting and Taxation, 3(2), 53-64.
41. Yeh, I. C., & Hsu, T. K. (2011). Growth value two-factor model, Journal of Asset Management, 11(6), 435-451.
42. Yeh, I. C., & Lien, C. H. (2017). Growth and value hybrid valuation model based on mean reversion. Applied Economics, 1-25.
43. 張鈺雯 (2006)。 我國上市, 櫃公司股東權益報酬率之習性分析。 國立雲林科技大學企業管理系所學位論文.
44. 葉怡成 (2009)。基於基本面因子的指數股票型基金之理論與實證:第二屆白文正ETF金文獎得獎論文集(頁10-49)。台北市:寶來投信。
45. 葉怡成、詹翔安(2014)。以收益資產複合基礎法與分量迴歸分析建構營建企業評價模型。營建管理季刊,99, 1-19。
46. 葉怡成(2014)。以分量迴歸建構收益資產複合評價模式 - 台灣股市與產業差異之實證。貨幣觀測與信用評等,99, 16-31。
47. 葉怡成(2015)。以雙排序法與迴歸分析建構收益資產複合評價模式 - 台灣股市與產業差異之實證,貨幣觀測與信用評等,115, 54-65。
48. 蘇怡君 (2014)。產業特性、公司特質與企業盈餘持續性之研究。 國立臺北商業技術學院財務金融研究所學位論文.
論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2017-08-07公開。
  • 同意授權瀏覽/列印電子全文服務,於2017-08-07起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2281 或 來信