前言
最近无意之中在新浪财经看到了“84岁巴菲特的二十一条投资箴言”, 而其中的一点提到了beta：
“要投资成功，<u>你不需要掌握beta</u>、有效市场、当代投资组合理论、期权定价理论，不需要了解新兴市场。事实上，对此你一无所知或更好。当然，这不是大部分商学院的看法，他们的金融课程尽是这些科目。在我们看来，投资学学生仅仅需要两个课程：如何给公司估值，如何看待市场价格。”——董事长信件，1996
其实这样的投资箴言很容易被理解成：连巴菲特都不用beta，为什么我要用? 事实上，巴菲特在多个场合说过类似的话：
不要盲目相信所谓的公式：“投资者需要对公式模型持有怀疑态度。通过神秘的beta，gamma，sigma等符号的组合，这些模型看上去非常惊人。投资者常常忘记检查模型背后的意义。我们的建议是：谨防一成不变的公式。”（2009）
但其真正想表达的意图是：投资者需要掌握投资背后的本质，beta只是作为窥探这个本质的一个工具罢了。
beta的多个计算方法
1. 线性回归(Linear Regression)
记得第一次用excel计算股票beta值的时候是在一门叫econometrics class上，当时候的教授是来自清华的留美博士（话说很多北大清华的留美后都不回国了,这个有点扯远）。就现阶段而言，股票市场上的理论模型所用到的beta值大多数是通过线性回归的方式来获得。
但用线性回归得出的beta值存在几个问题：
1. 高标准误差(high standard errors)；
2. 用历史数据来预判未来的风险。
事实上，除了用线性回归方式计算beta值外，还有以下几种方式计算beta值。
2. 相对标准偏差(Relative standard deviations)：没有用过
啥都不用说，先看看公式：
正如公式所显示，我们利用了所有股票计算出来的平均标准差，这样的好处是减少了部分标准误差，但这里也是用到了历史数据来预判未来。 这属于理论性可行，但我自己都没有用过。
3.会计贝塔值(Accounting betas)：不推荐
如果你不大相信用市场数据回归出来的beta值，那么我们可以用报表上的历史数据进行回归。
具体方法：
1. 计算公司历年的报表净利润的变化；
2. 计算全A股市场公司历年的报表净利润的变化；
3. 将两者进行线性回归，最后得出的斜率就是我们要求的beta值。
用Accounting betas方法的好处是非上市公司都可以计算得出beta值（前提是你有办法获得此类数据），而且得出的beta值相对稳定。
当然，Accounting betas方法的弊端也很明显：
1. 首先，要确保报表的真实性，会计师没有作假；
2. 每季度的报表有时间差，不能及时反映当时实际的收入状况；
3. 数据偏少，每年只有4季度的报表，10年才40个报表，这么少的数据容易造成非常高的标准误差。
4. 从下往上的beta(Bottom-up Betas)：推荐
相信大家看见标题的第一反应是：什么鬼？？
对，我自己写下这个标题的时候我也不知道自己在写什么鬼。但对不起了，我真的想不到Bottom-up Betas比较贴切的中文解释。
废话少说，我本人是比较喜欢用这个方法来算企业beta值的。实现方法：
- 计算回归同行业上市公司的平均beta值（levered beta），这个beta包含了equity risk和debt risk；
-
然后通过D／E ratio 的百分比来unlever beta，目的是去除杠杆（债务）带来的影响；
- 算出的无杠杆beta（unlevered beta）<u>乘以</u> 目标企业的D／E ratio 来算出企业对应的beta值。
流程：求同行业上市公司平均beta值 -> 去杠杆 -> 乘以目标公司的杠杆 -> 目标公司的beta值
上面说了一大堆晦涩难懂的东西，相信吓跑了不少人。其实它的实现原理是这样的：每一家上市公司都有自己不同的财务杠杆（Financial Leverage），换句话说，每家上市公司所对应财务杠杆都是不一样的，所承受的债务风险也是不一样的。所以在计算beta值的时候，我们就不能以偏概全的直接用上市公司的平均beta值，而是先把这部分的财务杠杆（上市企业D/E的均值）从平均beta值中剔除掉。但去掉这个杠杆之后不是就完事了，因为这个beta是不包括公司的债务风险（debt risk）的，而目标公司也有自己的财务杠杆（D/E ratio）,那么我们要把之前算出的unlevered beta 重新 <u>乘以</u> 目标公司的D/E ratio 以求出真正beta值的目的。
不过这个方法的缺点也明显，就是计算量比较大。而且在找同行业上市公司的时候要考虑到市值规模、收入等是否相似。
这个方法对刚刚IPO的新股也很实用，我之前写新股康惠制药的投资报告时就是用这个方法求beta值的。
