企业官网建设流程全解析

估值是投资里最容易被拿来“打架”的话题：有人说看市盈率，有人说看现金流，还有人搬出整套贴现模型。而在股利贴现模型（DDM）的家族里，戈登增长模型（Gordon Growth Model，GGM）大概是最经典也最常被拿出来讨论的一个。它用一条极其简洁的公式，把“公司未来所有股利的现值”压缩成一个静态的估值结果。正因为简洁，它的假设条件严苛得像是存在于一个“理想国”里；也正因为简洁，它反而特别适合用来训练估值思维，理解折现率、增长率和价格之间那种近乎敏感的博弈关系。这篇文章我会从数学直觉、假设体系、参数实操到 Python 代码实现，逐步把 GGM 的来龙去脉拆开。适合刚开始接触估值建模、或者已经会用 Excel 但想用代码批量做敏感性分析的朋友参考。

1. 先从一道小学数学题说起：GGM 到底在算什么

1.1 永续年金直觉

GGM 的核心，其实是小学奥数里就出现过的“等比数列求和”。

假设某公司每年给你发一次红利，第一年发 1 元，第二年发 1 元，第三年还是 1 元，一直发到永远。那你愿意为这一串现金付出多少钱？显然不能直接用“无限个 1 元等于无穷大”回答，因为未来的钱要打折到今天。假设你要求的年化回报率是 10%，那么这笔永续年金的现值就是：

PV = 1 / 1.10 + 1 / 1.10² + 1 / 1.10³ + …

这是一个公比为 1/1.10 的等比数列，和等于 1 / 0.10 = 10 元。

这个结果很容易理解：如果你花 10 元买入一项资产，每年稳稳拿回 1 元，年回报正好是 10%。这就是“永续年金”公式：PV = D / r。

GGM 只做了一件事：把“每年发固定的 1 元”升级成“每年股利按固定比例 g 增长”。第一年股利是 D1，第二年变成 D1×(1+g)，第三年变成 D1×(1+g)²……于是现值公式变成：

PV = D1 / (1+r) + D1×(1+g) / (1+r)² + D1×(1+g)² / (1+r)³ + …

这是一个公比为 (1+g)/(1+r) 的等比数列。当增长率和折现率满足 g < r 时，公比小于 1，级数收敛，求和结果就是：

PV = D1 / (r - g)

注意，公式里的 D1 是“下一期”的预期股利，不是当前已经发放的股利 D0。用 D0 表达的话是：

PV = D0 × (1+g) / (r - g)

1.2 为什么分母是 r - g

很多人背下了公式，却没想明白分母里那个减号代表什么。用生活的类比来理解：假设你有一片果园，每年产出的水果数量固定，周围人要求的年回报率是 r，那么果园价值就是“每年产量 / r”。现在果树每年自己会长大一点，产量每年自动增加 g，那就相当于你的实际回报率从 r 下降到了 r - g。

这里有个更直观的解释：你买果园花了 PV 元，每年从果园拿到 D1 元现金，同时又看着果园里的果树增值了 g。你的总回报来源是“现金收益 D1 / PV”加上“资本增值 g”。现在你要求总回报等于 r，那么：

D1 / PV + g = r

移项就是 PV = D1 / (r - g)。

这一步推导特别重要，因为它揭示了 GGM 本质上是“把投资回报拆成股息率和资本增值两部分”。很多实战派分析师会反过来用这个公式：从当前股价反推 r 或者 g，这才是 GGM 在真实世界里最有生命力的用法。

1.3 收敛条件的数学意义

GGM 要求 g 必须小于 r，否则分母为负或为零，估值不是负数就是无穷大。这不只是数学上的约束，背后有经济学含义：一家公司不可能以高于经济长期增速的速度永远增长，更不可能永远超过投资者的要求回报率。竞争会让超额增长率逐步回落。所以当你看到某个人用 GGM 给一只科技成长股估值时，先别急着看结果，直接检查他输入的 g 是否小于 r，小于多少——这个细节往往决定了模型究竟是“估值”还是“变魔术”。

2. 理想国里的三根支柱：GGM 的假设体系

2.1 假设一：股利是股东唯一的、完全可预期的回报

GGM 假设公司把盈利的一部分以股利形式稳定发放，且股利政策长期不变。股东不会从资本利得里获得额外价值，也不考虑股票回购，因为这相当于一次性变相分红，会把稳定的派息格局打破。

这条假设在现实中几乎不存在，除了少数稳定分红的公用事业公司或消费类巨头外，大多数公司的股利政策会随盈利周期和战略需要调整。尤其不能忽视股票回购：一家公司如果长期回购股票，每股股利可能不增，但每股盈利和内在价值在增长，这会严重低估 GGM 结果。

不过，理想国之所以是理想国，就是因为它提供一个“参照系”：如果一家公司股利长期稳定且增长可预期，GGM 就是最合适的估值锚；如果公司不分红，那就说明 GGM 不适配，该换用自由现金流贴现模型。

2.2 假设二：增长率 g 永续恒定且远低于折现率

“永续增长”四个字是 GGM 最浪漫也最危险的地方。一家公司经营十年不难，但永续存在且增长率恒定，背后隐含的是行业永续存在、竞争格局锁定、管理层永续理性等一系列苛刻条件。

实操中，分析师通常把 g 设定在 2% 到 6% 之间，大约等于长期名义 GDP 增速取一个偏低值。超过 6% 的永续增长率需要极强的证据，否则模型会输出一个让人兴奋但实际上脆弱的数字。

另一个隐含限制是：g 不仅要小于 r，还要小于长期经济增长率。从宏观角度看，除非这家公司能永远跑赢整个经济大盘，否则永续增长率接近甚至超过 GDP 增速都是站不住脚的。这也是为什么很多估值教材把“长期名义 GDP 增速”作为 g 的天然上限。

2.3 假设三：折现率 r 恒定且已知

GGM 里的 r 通常取投资者要求的权益回报率，最常用的估计方法是资本资产定价模型（CAPM）：

r = 无风险利率 + β × 市场风险溢价

无风险利率一般参考长期国债收益率，β 反映个股相对大盘的波动弹性，市场风险溢价通常在 4% 到 6% 之间。问题来了：无风险利率会随宏观环境波动，β 在不同时间段估计结果差异很大，市场上对风险溢价根本没有一致意见。于是同一个盈利、同一个股利政策，不同分析师算出的 r 可以差 2% 以上，估值结果轻轻松松差出 30%。

真正的从业者不会纠结于“谁的 r 更精确”，而是主动分析 r 的敏感区间：如果 r 在 8% 到 10% 之间变化，估值范围是什么？只要估值的下沿仍然高于当前股价，那结论就是稳健的；如果估值随 r 剧烈摆动，说明这只股票本身就不适合用 GGM 来定价。

3. 参数选不好，模型就变成数字游戏

3.1 增长率 g 的三种估法

估计 g 常见有三条路，各有各的适用场景。

第一种：历史股利增长率。取过去 5 到 10 年的每股股利复合增速，做线性回归或几何平均。优点是客观，缺点是“历史会重演”这个假设本身就值得怀疑。新上市没几年分红的公司根本没法用这个方法，周期性行业的股利历史也容易误导。

第二种：分析师盈利预测换算。先找分析师的长期盈利增长率预测，再假定股利支付率稳定，那么 g ≈ 盈利增长率。这条路信息更新快，但依赖外部预测质量，而且“盈利增长预测”往往带有乐观偏差，用的时候要人为打折。

第三种：可持续增长率公式。g = ROE × (1 - 股利支付率)，其中 (1 - 股利支付率) 是留存收益率。这是我最推荐也最符合逻辑的方法，因为它的底层逻辑很直接：公司不把盈利全分掉，而是留下来再投资，只要再投资回报率 ROE 高于资本成本，留存的钱就能产生正增长。可持续增长率把“增长”和“盈利质量”绑在一起，避免了只看历史数据的机械性。

用一个例子说明三者差异：假设某消费公司最近一年的股利 D0 = 2 元，历史股利增速 7%，分析师盈利增速 9%，但 ROE 只有 12%，股利支付率 60%，那么可持续增长率 = 12% × 40% = 4.8%。三个 g 居然从 4.8% 到 9% 不等，代入模型后的估值天差地别。实际估值时，建议把三个 g 摆在一起做场景对比，不要急着选一个“看起来最顺眼”的。

3.2 折现率 r 的取值警惕

r 的选值错误比 g 的错误更隐蔽，因为 g 用大了容易一眼看出估值离谱，r 用小了只会让估值“温和地”虚高。

计算 r 时有一个容易忽略的细节：CAPM 里的无风险利率和风险溢价必须匹配同一个期限口径。用 10 年期国债收益率作无风险利率，风险溢价也该匹配 10 年左右的权益风险溢价；如果用短端利率，整个公式就失去了时间基准。

另一个坑是 β 的估计窗口。取周频数据 60 个月和取日频数据 1 年，算出来的 β 差异经常在 0.2 到 0.4 之间。对一只高 β 股票来说，这足以让 r 变动 1% 左右。我的一般做法是取 2 到 3 年周频数据，同时剔除极端市场行情区间的数据点，再和日频结果做对照，用两者中位数作为最终输入。

3.3 敏感性分析表格：把参数爆雷区间标出来

GGM 对参数极度敏感，尤其是 g。我用一个模拟案例说明。

假设 D0 = 2 元，r = 10%，g 从 3% 到 6% 变动：

从表格可以直观看到，g 每提高 1%，估值抬升幅度越来越大，呈现加速状态。这是因为分母 r - g 本来就随 g 变大而变小，而分子 D1 也在随 g 变大，双重效应叠加，估值被非线性放大。

实战中我建议做一张“双因素敏感性矩阵”，横轴为 r，纵轴为 g，格子里填估值。这样能把“哪些参数组合会导致估值异常”一眼看清楚。比如你发现 r-g 小于 2% 的组合占了大半张表，那就说明当前分母太薄，任何参数风吹草动股价都会大起大落，这种场景下 GGM 不适合稳定输出结论。

4. 用 Python 把理想国盖起来

4.1 环境准备与代码结构

代码这块我习惯用最基础的三件套：numpy 做数值计算、pandas 整理数据、matplotlib 画图。这里不推荐引入重量级框架，因为 GGM 的本体就一条公式，真正花时间的是场景模拟和敏感性分析。

import numpy as np import pandas as pd import matplotlib.pyplot as plt

建议在 Jupyter Notebook 里跑这些代码，方便分块调试和画图。

4.2 基础版 GGM 计算函数

函数设计上我做了两个贴心处理：一是自动把 D0 换算成 D1，二是对 r - g 小于等于 0 的情况做保护，防止出现除零或负估值。

def ggm_valuation(d0, r, g): """ 戈登增长模型估值 :param d0: 当前每股股利 :param r: 折现率（要求回报率） :param g: 永续增长率 :return: 每股内在价值 """ if r <= g: return np.nan # 模型失效，返回空值 d1 = d0 * (1 + g) return d1 / (r - g) # 示例：某稳定分红公司 d0 = 2.0 r = 0.10 g = 0.04 value = ggm_valuation(d0, r, g) print(f"内在价值：{value:.2f} 元")

这段代码输出 34.67 元，和前面表格里的基准一致。函数本身很简单，但加上保护分支后，批量运算时代码不会突然报错，方便后续处理几百个参数组合。

4.3 敏感性矩阵可视化：一张图看清估值边界

单点估值没有意义，参数稍微一动结论就翻倍，这才是 GGM 的真实脾气。我通常把 r 和 g 各取一个合理范围，生成估值矩阵，再用热力图展示。

def sensitivity_matrix(d0, r_range, g_range): """ 生成双因素敏感性矩阵 :param d0: 当前股利 :param r_range: 折现率数组 :param g_range: 增长率数组 :return: DataFrame，行对应 r，列对应 g """ matrix = [] for r in r_range: row = [] for g in g_range: val = ggm_valuation(d0, r, g) row.append(val) matrix.append(row) df = pd.DataFrame(matrix, index=[f"r={r:.1%}" for r in r_range], columns=[f"g={g:.1%}" for g in g_range]) return df d0 = 2.0 r_range = np.linspace(0.08, 0.12, 9) g_range = np.linspace(0.02, 0.06, 9) sensitivity = sensitivity_matrix(d0, r_range, g_range) print(sensitivity.round(2))

这段代码会生成一张 9×9 的矩阵表。你会看到表格右上角（低 r 高 g 区域）估值飙到离谱，左下角（高 r 低 g 区域）估值被压得很低。真正的“合理区”其实只在对角线附近的一小撮格子。

接着画热力图：

import matplotlib.ticker as mtick plt.figure(figsize=(10, 7)) plt.imshow(sensitivity.values, cmap="YlOrRd", aspect="auto") plt.colorbar(label="内在价值（元）") plt.xticks(range(len(g_range)), [f"{g:.1%}" for g in g_range]) plt.yticks(range(len(r_range)), [f"{r:.1%}" for r in r_range]) plt.xlabel("永续增长率 g") plt.ylabel("折现率 r") plt.title("GGM 估值敏感性热力图") # 标注每个格子的数值 for i in range(len(r_range)): for j in range(len(g_range)): value = sensitivity.values[i, j] if not np.isnan(value): color = "white" if i < 3 else "black" plt.text(j, i, f"{value:.0f}", ha="center", va="center", fontsize=9, color=color) plt.tight_layout() plt.show()

这张图做完，你能当场回答“什么情况下估值从 30 元变成 60 元”——只需要 r 从 10% 降到 9%、g 从 4% 升到 5% 就够了。对一家真实公司来说，这两个参数完全在合理波动范围内，所以但凡有人说 GGM 能给出“精确”估值，你心里应该有数：它给的是“一个在合理参数区间内震荡的价格区间”。

4.4 用反推公式给市场“算命”

前面提过 GGM 的反向用法，我不建议新手跳过，因为它才是很多卖方报告里的隐藏内容。

把估值公式变形：

P = D1 / (r - g)

如果 P 是当前股价，同时假设分析师给出的 r 是 9%，反解出来的 g 就是市场预期的永续增长率：

g = r - D1 / P

这个 g 就是所谓的“隐含永续增长率”。它告诉你，当前股价里已经计入了多高的长期增长预期。举个例子：某股价 40 元，D1 = 2.2 元，取 r = 9%，那么隐含 g = 9% - 2.2/40 = 3.5%。这个数字看着不高，但如果公司历史可持续增长率只有 2.5%，那就说明股价透支了增长预期，估值存在回归压力。

def implied_growth(price, d1, r): """ 反推市场隐含永续增长率 """ return r - d1 / price price = 40.0 d1 = 2.2 r = 0.09 implied = implied_growth(price, d1, r) print(f"市场隐含永续增长率：{implied:.2%}")

输出 3.50%。这种“反推”用法非常适合做同行业横向比较：把几家竞争对手的隐含 g 摆在一起，谁的市场预期更高、谁的增长叙事更“贵”，一目了然。

5. 常见问题与排查技巧实录

5.1 估值出现负数或无穷大

这是最高频的报错场景，原因几乎只有一个：r ≤ g。检查项目有两个：

• 是否把 r 和 g 的单位搞混了？比如 r 用的是 10%，g 用的是 4，忘记转成小数。
• 是否把 D0 当成了 D1？如果公司今年刚提高分红，下一期 D1 应该是 D0 × (1+g)，直接用 D0 算会低估估值，但不至于出现负数。

我的习惯是在代码里直接对 r - g 加断言保护，一旦暴力破解的 g 大于 r，代码立刻显式报错，而不是返回一个负数让你在报表里慢慢找。

5.2 取数口径不一致

计算 D0 时要确认用的是“每股股利”，不是“每股红利”也不是“每股股息”。在 A 股语境下，三者经常混用；严格来说，每股股利应该用年报里“每 10 股派发现金股利”换算得到。例如某公司公告“每 10 股派 5 元”，那么 D0 = 0.5 元。

除了绝对水平，还要注意除权除息影响。如果某只股票刚经历过大比例送转，历史每股股利数据会出现“断崖式”下降，这不是经营恶化，只是股本变多了。如果直接拿除权后的历史数据去算增速，会得到完全失真的负增长。

5.3 增长率口径的选择坑

永续增长率到底用名义还是实际，是新手的常见纠结点。GGM 里的 r 通常包含通胀预期，所以 g 也应当用名义增长率，否则分子分母口径不匹配。如果要用实际增长率，那么 r 也必须换成实际折现率，也就是剔除通胀后的回报率。

还有个实操细节：当 g 设定为 2% 到 3% 的“保守数值”时，要确认它是每股股利的名义永续增速，而不是公司盈利的短期增速。很多人把自己对公司未来 3 年的高增长预期直接塞进 g，模型立刻变成“击鼓传花”——前三年的高增长可以靠阶段性优势解释，但永续阶段的高增长没有任何宏观基础。

5.4 什么场景下该果断放弃 GGM

我踩过几次坑之后总结出三类不适合用 GGM 的情况：

• 公司长期不分红或股利支付率极不稳定。A 股不少科技成长公司股利支付率长期为 0，GGM 估值结果是零，但公司显然有价值，这时候该改用自由现金流贴现。
• 周期股处于盈利和股利的高峰或低谷。周期股在大宗商品价格高位时股利暴增，代入模型会得到天价估值；价格低位时股利趋零，估值又归零。周期股的正确估值工具是“穿越周期的平均盈利能力”，而不是某一期的股利。
• 高增长公司进入稳定期之前的阶段。GGM 只能处理“永续稳定增长”，对“前 5 年高增长、之后回归稳态”的结构无能为力。这种情况需要两阶段或多阶段模型，至少把前一段高增长单独建模。

写在最后的一点体会

我自己刚开始用 GGM 时，一度把它当成“精确计算内在价值的机器”，结果每次估值和股价差异巨大，总怀疑公式哪里抄错了。后来才明白，GGM 这类模型的真正价值不在于算出一个“对的数字”，而在于逼你把参数假设摆到桌面上：你的增长率预期是多少，风险补偿要求是多少，两者之间的差值又是什么含义。只要参数是透明的，估值结果就算不正确，也足够让你清醒地看待股价背后的市场叙事。如果你第一次上手，建议找一家分红稳定、业务不复杂的消费类公司练手，算出估值区间后和真实股价对照，再反推隐含 g，那种“原来市场已经把未来十年都定价进去了”的感觉，远比任何理论公式都来得深刻。