IPO定价 发表评论(0) 编辑词条

IPO定价(Initial Public Offering Price)

　　IPO价格又称新股发行价格，是指获准发行股票上市的公司与其承销商共同确定的将股票公开发售给特定或非特定投资者的价格。在这一价格的确定程序中，相关的影响因素包括公司帐面价值、经营业绩、发展前景、股票发行数量、行业特点及市场波动状况等，而这些因素的量化过程会随着定价者选用方法的不同而出现很大差别。

　　IPO定价是国际金融界公认的最具迷惑性的难题之一，因为最成功的IPO定价就是发行人能够以投资者可容忍的最高价格顺利发行，而发行失败或以过低价格发行则意味着定价的失败。在这一过程中，包括投资者的价格接受底线在内的很多因素甚至超出了发行人本身及承销商的控制范围，因此，一个超脱、客观的IPO价格实际上是不存在的。较为常见的情况是，出于风险规避的考虑，承销商往往不会把其获得的所有信息融入IPO定价程序中。 Michelle Lowry和 G. William Schwert（2001）的研究表明，美国证券市场IPO业务中平均约15％的首日回报率揭示了相对于二级市场价格而言，IPO定价中存在着倾向于低估的系统性偏差。

　　（一）变量假设

　　我们将承销商在IPO定价程序中可能考虑的各种因素分为两类，即外部因素和公司内部因素。它们的组合及其影响直接导致了IPO价格的确定。

　　所谓外部因素是指与企业正常经营状态相对独立的、不直接反映其内生持续盈利能力 但却影响承销商IPO定价判断的各种情况，它们包括国民经济运行状况、市场利率水平、突发性事件、行业宏观政策导向、产品市场预期、同业竞争情况、市场波动情况、股票发行规模以及承销商自身实力等等。这些因素可能会以不确定的、非线性的方式对承销商的定价过程发生作用，而且在特定的定价行为中，上述信息对IPO价格的最终形成主要起着经验性的非量化影响；公司内部因素是指反映在IPO价格中的直接体现公司素质和增长前景的各种要素的总和，包括承销商对其经营效率、获利能力、管理状况、资本结构等各种内部情况的评估结论。与外部因素不同之处在于，这些内部因素对于IPO定价主要可能起着较为确定的、线性的量化影响。

　　在模拟外部因素时，我们考虑到一些外部影响的量化难度而进行了相应的简化或剔除。最终，我们假设承销商的IPO定价程序主要受到以下四方面因素的直接影响：（1）市场波动情况；（2）股票发行数量；（3）行业特性；（4）承销商等级指数。

　　对因素（1），我们使用了上证指数的相对波动率指标来模拟整个市场的中短期波动情况。考虑到在实际发行程序中，IPO定价的最终确定时间一般是在正式发行日的两周之前，因此我们采用发行前两周的市场波动率组合S1来模拟市场气氛的研判环境。其计算公式为：

　　F/An=Ft/Fn（n=3，5，7，9，11，13，15）

　　其中，F/An代表相对于上证指数第n周移动平均收盘点位的市场波动率；

　　Ft为特定股票发行日两周前的上证指数收盘点位；

　　Fn为特定股票发行日两周前的上证指数n周移动平均收盘点位 .

　　对于因素（3），我们使用了最新颁布的上市公司行业分类指引。由于两个交易所公布的上市公司行业分类结果详细程度不同，因此我们以深交所较为概括的分类标准来对样本公司所属的行业进行判别。

　　在因素（4）即承销商自身实力方面，我们考虑到美国的IPO市场中等级较高的投资银行所承销的IPO股票定价倾向于高出平均水平（Michelle Lowry＆G. William Schwert，2001），因此，国内承销商的实力差别可能也会对其作出的IPO定价决策有所影响。在考虑多重指标之后，我们大致把1997－2000年样本期间内的主承销商进行了等级排名，共分为1、2、3、4个档次。其中，档次越靠前的承销商实力也越强。

　　在公司内部因素方面，我们考虑到市盈率指标所反映的公司基本面情况较为有限，而要试图对公司的内在价值运用现金流量贴现方法作出判断又会令主观因素的干扰加大。因此，为了全面反映特定公司的基本面素质，我们运用了71个财务指标来模拟公司的偿债能力、赢利能力、资产周转能力、管理效率等各个方面的情况。这些财务指标的原始数据均来自于样本公司招股说明书及上市公告书中最近一个会计年度的资产负债表和收益表。尽管现金流量信息非常重要，但在权责发生制的框架下，资产负债表和收益表仍然可以完整地代表特定企业的财务状况和经营成果。鉴于报表编制基础的冲突，我们在选取财务数据时没有纳入现金流量信息。

　　另外，近年来我国证券市场的政策环境变化较大，经验数据表明：市场的IPO定价从趋势上看，有突然间受到某种冲击而整体增加的迹象，而不是逐渐的增加；而从实际的市场情况来看，定价增加可能是因为受到一级市场市场化的政策的影响，从而表现出的不理性行为导致。基于上述两个原因，我们没有在后续的分析过程中引入时间变量。

　　（二）样本选取

　　在剔除了财务数据有误的约200只股票之后，我们在1997年初到2001年3月为止的区间内选取了328只IPO股票。鉴于这些样本所跨的期间过长，可能会掩盖某些市场结构变动所造成的影响，我们分别就这328只股票和2000年以后发行上市的94只股票的数据进行分析，并进行了相应结果的对比。下面对于检验过程的描述主要是以2000年以后的IPO股票样本为对象的。

　　（三）检验过程

　　（1）数据性质的检验

　　我们试图从81个变量中寻找到对新股价格有效的解释变量。如果这些变量高度相关，必然会导致回归方程中自变量相互削弱各自对y的边际影响，而出现回归方程整体显著，但各个变量都不显著的现象，也就是多重共线性的现象。另外，在众多的数据中如果存在奇异值，将严重地歪曲变量与自变量之间的关系，使回归方程不能很好地描述一般情况下变量与自变量之间的关系。因此，在发现奇异值时，应将其删除以使回归方程得到较好的效果。

　　我们通过标准化误差和标准化预测值的散点图检验数据是否存在奇异值的一般规则是：如果存在数据点明显超出 标准化误差值区间，则可以认为该数据是奇异值。根据结果看，几乎所有的值都在 标准化误差值区间内，有两个点远离该区间，显见这两个值是奇异值，将严重影响到回归方程的质量，应该剔除。这两个点对应的个体是新力药业（0153）和平高电气（600312）。

　　（2）多重共线性的检验

　　我们通过相关系数矩阵观察各指标之间的相关程度，从而判断各指标间是否存在高度的相关性。从相关系数矩阵可以看到，在拟选用的指标中，变量之间普遍存在着高度相关的现象，比如F/A7与F/A9之间的相关系数为0.977794、主营收入/有形资产与总资产周转率之间的相关系数高达 0.998043等等。所以，这些变量不能同时进入回归方程，在进行回归之前必须对数据进行处理以消除多重共线性的影响。

　　（3）数据处理

　　从上述数据性质的检验中，我们发现数据存在奇异值、存在多重共线性的现象。对于奇异值我们将其从数据中剔除，而对于多重共线性的问题我们采用主成分分析法进行处理。

　　拟选用的指标可以分为两类，即外部指标（行业类别、市场波动指数、承销商等级、发行量系数）和反映公司内部因素的财务指标类聚，并分别对这两类指标进行主成分分析。

　　（4）用多元统计分析中的主成分分析法进行数据简化

　　由于存在多重共线性的现象，也就是说各变量之间相互关联，所反映的信息很大程度上也是重复的，所以我们完全可以用少数一些变量来反映大部分的信息。主成分分析作为多元统计分析技术的一个分支，其主要目的就是浓缩数据，就是研究如何以最少的信息丢失把众多的观测变量浓缩为少数几个因子。这几个因子不仅保留了原始指标中的主要信息，而且彼此之间不相关，很好地避免了出现多重共线性的问题。

　　（5）从财务指标中提取公因子。

　　第一步，提取公因子，并进行因子旋转。

　　这一处理的结果发现：特征值（Total项）大于1的因子共13个，这13个因子的累计解释方差占到总方差的91.33864％，也即这13 个因子代表了原来所有71财务指标所表达的信息量的91％左右，代表了绝大多数的信息。而变量数由71个减少到13个，以最小的信息丢失量，极大地简化了数据。在之后的回归分析中，我们将用这13个共因子替代原来的71个财务指标进行回归。通过主成分法得到的公因子是完全不相关的，即相关系数为0，用它们进行回归分析就不会出现多重共线性问题。

　　另外，因子旋转后并没有改变这13个因子的累计解释方差占到总方差的比例，旋转前后该比例均为91.33864％，只是在各个因子之间的分配比例有所变化。

　　第二步，计算因子得分。

　　实际上因子得分是通过原始变量的线性组合得到，原始变量前的系数就是因子载荷矩阵中的因子载荷。

　　（6）从市场指数波动指标中提取公因子

　　利用上表中的因子载荷矩阵计算因子得分S1

　　S1=0.823232×（F/A3）＋A＋0.895644×（F/A15）

　　（7）用虚拟变量处理行业数据

　　对于样本所含的94只新股，共涉及19个不同行业，我们引入虚拟变量进行处理。我们用18个虚拟变量di（i=1，2A 18 ）来反映行业分布对新股定价的影响。

　　（8）回归分析

　　在剔除奇异值、运用主成分分析法浓缩数据并同时处理了多重共线性的问题之后，我们即可进行最后的回归分析。下面是我们通过采用主成分法得到的财务指标的公因子、市场指标的公因子及发行量系数、行业类别的虚拟变量、券商等级等因素对被解释变量（即IPO价格）进行逐步回归所选出的最优回归方程。

　　Price=14.27727－1.71038×发行量系数－0.41778×S1＋6.70326×d11＋3.861002×d15－3.06603×d17＋1.132558×F1＋0.579465×F3＋0.863128×F4＋0.67048×F6＋0.422713×F8－ 0.6338×F12

　　其中R2=0.68

　　（9）最终结果分析：

　　在财务指标的公因子中，对新股价格有显著影响只有F1、F3、F4、F6、F8、F12、这六个因子，其余因子对新股价格影响甚小，不予考虑。除此之外，市场波动指标的公因子S1对新股价格的影响也是显著的，S1也进入了回归方程。发行量对新股价格的影响同样不能忽视。在反映行业分布的18 个虚拟变量中d11、d15和d17进入了方程，它们所对应行业为行业C99（其他制造业），行业G（信息技术业）和行业K（社会服务业），这说明在 2000年以来，属于这三个行业的上市公司在进行新股定价时，行业分布对其股票定价有显著影响。其中，行业C99和行业G对新股定价是正向的影响，而行业 K对新股定价的影响则是反向的。

　　上述的Tolerance和VIF两个指标为多重共线性的检查指标。可以看到，所有变量的Tolerance均大于0.1，VIF均小于10，因此不存在多重共线性的问题。

　　另外，检验数据表明，在5％的显著性水平下，各系数的t值与方程的F值全部通过检验，新股定价模型拟合效果非常好。

　　作为对比，我们对1997年至2001年初的328只IPO股票数据进行了类似分析，检验结果与上述结论较为相近（检验通过变量完全一致），但回归方程中的自变量系数有一些差别，而样本的拟合度也较差一些，这表明较长期间的IPO定价因素影响可能会随着结构性的市场变动而发生变化。另外，从行业分布角度看，在这一期间对股票定价有显著影响的行业也变成行业C99，行业F（交通运输、仓储业）和行业L（传播与文化产业）。其中，行业C99和行业 L对新股定价是正向的影响，而行业F对新股定价的影响则是反向的。这说明市场热点会随着一些环境因素的变化而转移。

　　通过对上述模型的结构分析，我们可以发现：

　　（1）股票发行规模对IPO定价具有反向修正作用。换言之，IPO发行的股票数量越多，承销商为了控制发行风险，越倾向于调低IPO的发行价格。这与市场经验是相符合的。

　　（2）与许多市场人士的看法相反，市场波动因素对IPO定价并没有助涨助跌的影响，新股发行定价相对于中短期市场波动而言呈现出一定的惰性。具体来说，当市场明显上涨时，承销商可能出于某种预期（例如市场平均市盈率过高而存在修正风险、新股在二级市场的吸引力不如其他热点股票等）而相对降低 IPO股票的定价水平；反之，反是。因此，IPO定价相对于市场的波动方向而言，表现出一定的时滞。

　　（3）行业特征的分析表明，市场热点差异会使某些行业上市公司的IPO定价水平明显高于其他公司，但大多数行业的特征因素在定价程序中影响并不显著。

　　（4）主成分分析过程中的替代分析表明，IPO定价程序中的公司基本面因素并不能简单地用几个指标来表达（即使是与主成分高度相关的重要原始指标），而是和各方面的因素都有联系，是很复杂的一个过程。我们曾经采用加权分值较大的部分财务指标来代替总体，但均未能通过检验。这一事实也从侧面说明：市盈率定价法主要考虑公司盈利水平的出发点是存在很大缺陷的。

　　（5）我国市场仍然属于卖方市场，承销商实力与所承销的IPO股票定价之间相关性不大。分析表明，在IPO定价过程中，国泰君安、南方、海通、广发等实力雄厚的大券商并不比其他中小券商体现出明显优势。

　　（6）在决定公司内在素质方面的因素中，资产盈利能力、短期偿债能力、净资产收益水平、资产结构状况、盈利构成状况和现实债务偿付状况等六大因素（分别对应回归方程中的F1、F3、F4、F6、F8和F12）是最为重要的，它们也基本体现了企业的综合状况。在IPO定价过程中，企业的上述方面实际上都得到了不同程度的考虑，尽管承销商将它们融入IPO价格时可能是不自觉的。

• 章早立,何沛俐,张雪峰.《我国A股市场IPO定价影响因素分析》，证券时报.2001年9月12日第11版。