股权风险溢价定义 编辑

什么是股权风险溢价?

股票风险溢价是指投资于股票的超额收益股票市场提供无风险利率。这个过剩返回补偿投资者承担相对较高的股权投资风险。保险费的数额各不相同,而且取决于保险公司风险等级 在特定的投资组合中。随着市场风险的波动,它也会随着时间的推移而变化。

关键要点

  • 股票风险溢价是投资者在股票市场投资时获得的超过无风险利率的超额回报。
  • 这种回报补偿了投资者承担更高风险的股权投资。
  • 确定股票风险溢价是理论上的,因为无法判断股票或股票市场未来的表现如何。
  • 计算股票风险溢价需要使用历史收益率。

股票风险溢价如何运作

股票通常被视为高风险投资。投资股市有一定的风险,但也有可能获得丰厚回报。因此,通常情况下,投资者会得到更高的回报保险费当他们投资股市的时候。无论你获得的回报高于无风险投资,比如美国。国库券 (国库券)或债券称为股票风险溢价。

股票风险溢价是基于风险报酬权衡的思想。这是一个前瞻性的数字,因此,溢价是理论上的。但没有真正的方法来判断一个投资者到底能赚多少钱,因为没有人能确切地说他赚得多好股票或者股票市场将在未来表演。相反,股票风险溢价是一种向后看的指标估计。它观察股市和政府债券 在规定的时间段内的业绩,并利用该历史业绩预测未来回报的潜力。根据时间范围和计算方法的不同,估计值有很大的差异。

因为股票风险溢价需要使用历史收益率,它们不是一门精确的科学,因此也不完全准确。

为了计算股权风险溢价,我们可以从资本资产定价模型(CAPM),通常写为Ra =Rfa (R)m -Rf), 哪里:

  • Ra =预期投资回报a或者某种股权投资
  • Rf =无风险回报率
  • βa =贝塔ofa
  • Rm =预期收益市场

所以,公平的等式风险premium是对CAPM的简单改造,可以写成:股票风险溢价=Ra -Rfa (R)m -Rf)

如果我们只是谈论股票市场(a=m),那么Ra =Rm. 贝塔系数是衡量股票波动性或风险与市场波动性或风险的指标。市场的波动通常设置为1,因此如果a=m,则βam&=1.Rm&- Rf 称为市场溢价,和a&- Rf 是风险溢价。如果a是一项股权投资a&- Rf 是股票风险溢价。如果a=m,则市场溢价和股票风险溢价是相同的。

据一些人说经济学家,这不是一个可概括的概念,即使某些市场在某些时间段内可能显示出相当大的股票风险溢价。他们认为,过于关注具体案例,使得统计特性看起来像是一条经济规律。几年来,好几家证券交易所都破产了,因此关注历史上异常的美国市场可能会扭曲这一局面。这个焦点被称为生存偏差 .

大多数经济学家都同意,不过股票风险溢价的概念是有效的。从长期来看,市场会给予补偿投资者更多的是为了承担更大的股票投资风险。如何准确计算这一保费是有争议的。一项针对学术经济学家的调查显示,一年期的平均范围为3%至3.5%,30年期的平均范围为5%至5.5%。首席财务官(首席财务官)估计溢价为国库券的5.6%。20世纪后半叶的股票风险溢价相对较高,据一些计算超过8%,而上半世纪的股票风险溢价略低于5%。鉴于本世纪结束于网络泡沫 但是,这个任意窗口可能并不理想。

1:38

股权风险溢价

特别注意事项

上面提到的等式总结了股票风险溢价背后的理论,但它并不能解释所有可能的情况。如果你插入历史收益率并用它们来估计未来的收益率,那么计算就相当简单了。但是如果你想做一个投资,你怎么估计预期收益率呢前瞻性 声明?

一种方法是利用股息来估计长期增长,利用对利润的重新调整戈登增长模型:k=D/P+g

哪里:

  • k=以百分比表示的预期回报率(可计算Ra 或Rm)
  • D=每股股息
  • P=每股价格
  • g=以百分比表示的股息年增长率

另一种是利用收益增长,而不是股息增长。在这个模型中,预期收益率等于收益率,收益率的倒数市盈率(市盈率):k=E/P

哪里:

  • k=预期收益
  • E=后12个月每股收益(每股收益)
  • P=每股价格

这两种模型的缺点是它们不考虑估价. 也就是说,他们假设股票的价格永远不会正确。既然我们能观察股市繁荣与萧条 在过去,这一缺点并非微不足道;

最后,无风险回报率通常是用美国政府债券来计算的,因为它们有一个微不足道的机会违约. 这可能意味着国库券或国库券。要获得实际回报率,即根据通货膨胀进行调整,最容易使用;国库通胀保值证券(提示),因为这些已经说明了通货膨胀 . 同样重要的是要注意的是,这些公式中没有一个能解释税率,这会极大地改变回报率。

如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。

扫码二维码加入Web技术交流群

发布评论

需要 登录 才能够评论, 你可以免费 注册 一个本站的账号。
列表为空,暂无数据

词条统计

浏览:8 次

字数:6666

最后编辑:6 年前

编辑次数:0 次

    我们使用 Cookies 和其他技术来定制您的体验包括您的登录状态等。通过阅读我们的 隐私政策 了解更多相关信息。 单击 接受 或继续使用网站,即表示您同意使用 Cookies 和您的相关数据。
    原文