图1. 估值有效预测期示意图

“有效预测期”概念揭示了DCF方法中永续价值假设的致命缺陷——恒定折现率与永续增长假设构成了估值误差的结构性来源。这种误差并非随机噪声，而是方向性的偏误：系统性高估远期现金流现值，导致估值中枢虚抬。当市场参与者普遍采用此类框架，便形成了“集体幻觉”式的无效定价，由此产生的价格泡沫期将透支未来十年的增长，泡沫破裂时则因修正过度而深度超跌。

PEGR方法：可评估未来增长的估值模型

PEGR（市盈率-增长率-回收期）方法将不可验证的永续梦想转化为可评价、可比较的“隐含终值增长率指标”，让市场分歧回归合理性分析。其核心硬约束是市场平均动态回收期（MA-DPP）。MA-DPP按照美股50年历史的平均投资回收期12年，这既是零增长下的最长市场平均DPP，也是有效预测期限。超过12年，IRR曲线与R曲线相交，NPV转为负值，预测失去意义。（MA-DPP概念详见《估值革命：从自由现金流到成长性驱动的价值模型》（十））

PEGR方法的两大大估值约束条件：

①必要收益率（折现率R）：覆盖资金机会成本与风险补偿的收益率；

②必要动态回收期（隐含终值DPP）：不超过市场平均动态回收期的时间（MA-DPP=12年）。

其中，隐含终值动态回收期（Implied Terminal Value Discounted Payback Period，ITV-DPP）是

PEGR模型的核心概念：

DCF方法中，终值通常是人为假设（如假设永续增长率3%，不变折现率10%）的数学结果；然而，任何一个市场价格或估值，在其动态回收期（DPP）背后，都“隐含”着一个市场对终值的集体预期。不需要假设，可以倒推出来。“隐含”一词，指的是可以“从价格中反推”出来，而不是“人为假设”。

隐含动态回收期（ITV-DPP）是就是以MA-DPP作为市场的统一估值标尺（足够宽松，以适合大多数成长型企业的估值），比如12年（美股市场ERP的倒数），在这个有效预测期内，需做两段预测：①可预测期（4-5年）和②隐含终值期（7-8年）。可预测期预测与DCF方法相同；隐含终值期预测则要考虑远期不确定性陡增的情形，即折现率要按照非线性方式增加，然后再通过隐含终值期的高折现率下的复合增长率来判断估值的合理性。

图2. 动态回收期内隐含终值阶段增长率示意图

如同2所示，隐含终值期的增长率如果过低，甚至为负数，有可能就是价值洼地，如果隐含终值期的增长率过高，且大大突破增长的基数效应，就有可能是价格或估值泡沫。

贝叶斯定理：在迷雾中更新你的"相信程度"

（一）贝叶斯公式

贝叶斯定理本质上是一种推理工具，它帮助我们在获取新信息后，重新评估（或纠正）之前的判断。贝叶斯定理是“根据新证据，更新对某件事的相信程度”的数学方法。

贝叶斯公式如下：

贝叶斯公式的文字化为：

（二）贝叶斯定理用于估值：从市场信号到信念更新

想象你持有某科技股，早盘突发利好——公司宣布获得一笔大额订单。股价瞬间冲高，你该追涨还是获利了结？

直觉告诉你“利好=买入”，但贝叶斯定理提醒你：关键不是利好本身多强，而是这份利好与“股价持续上涨”这一假设的关联强度（似然度）有多高。

一个简化的股票案例

先验信念：基于技术面和基本面，你认为该股未来3个月上涨趋势的概率是40%，震荡或下跌的概率是60%。

新证据：突发订单利好。

似然度判断（新证据与上涨趋势的匹配度）：

这份利好在“震荡下跌”情景下出现的概率（50%）高于“上涨趋势”（30%）！这意味着利好与上涨趋势的关联度不强。

后验信念：上涨概率从40%降至29%！

投资决策：利好反而是减仓信号，借冲高卖出，而非追涨。

对比：强关联度的利好信息

假设订单是战略大客户的首单，且公告明确提及“未来3年框架协议，年采购额递增40%”：

贝叶斯计算：

后验信念：上涨概率从40%飙升至79%。

投资决策：强关联度利好，回调加仓。

总结：

贝叶斯估值的核心不是“有没有利好证据”，而是“这份利好证据与上涨趋势有多强的关联度”。高关联度证据强化信念，低关联度证据削弱信念——即使它看起来是“利好消息”。

贝叶斯化PEGR方法：特斯拉估值研究

（一）以隐含终值期增长率为信念的动态估值

传统估值方法（如DCF）试图计算企业内在价值的精确数字（例如：特斯拉市值1.53万亿美元）。而贝叶斯化PEGR则将估值转化为投资者对隐含终值期增长率g₂的一套主观信念的概率分布——这个g₂才是支撑当前市值的“幕后推手”，也是判断估值合理性的核心标尺。

特斯拉1.53万亿市值下的g₂反推（详见《特斯拉估值研究：PEGR方法对梦想溢价的解构》）：

• 可预测期（5年）：g₁=58.5%（按照马斯克的乐观预期），贡献价值1400亿美元

• 隐含终值期（7年）：需反推g₂，终值占比90.9%

PEGR估值分析

g₁（可预测期增长率）可以通过短期财报、订单、产能等信息验证；但g₂（隐含终值期增长率）是“信息黑箱”——它既是市场共识的投射，也是估值风险的聚集地。贝叶斯化PEGR的核心，就是将这个信息黑箱转化为可量化、可更新的信念分布。估值的重点不再是“特斯拉值多少钱”，而是问“支撑当前市值的g₂是多少，这个g₂有多可靠？”

新证据出现前的先验概率分布与市值范围对应表

（二）基于新证据的股价方向概率分析

贝叶斯方法可以告诉我们：在2025年末1.53万亿美元市值基础上，股价未来向哪个方向移动的概率更大？

新证据：估值假设vs 最新财报（2026年1月28日发布2025年Q4财报）

Q4财报作为“新证据”的似然度

后验概率计算

计算步骤

贝叶斯公式：

计算表

概率转移表

（三）细化概率分布——形成投资决策的直观

我们对上述贝叶斯修正做更进一步的细化概率分布：按照分段拼接分布（Piecewise Distribution）方法，这更符合真实世界的复杂性。

我们的合理假设是概率贝叶斯修正后的概率区间内部呈现“对数正态/正态/负对数正态的拼接分布”。这个分布反映左侧崩盘的概率分布（长坡形态）、右侧梦想实现概率分布（断崖形态），如下图：

股价上行和下行两种概率分布形态表明：特斯拉向上突破支撑当下估值（$469/股）的概率极低，但股价下行的概率很高。

图3解读

概念解释：整体期望值 E(g₂)是全概率加权后的期望值，即概率加权平均的隐含终值增长率，反映风险调整后的合理增长预期。

计算公式：

E(g₂)=38.1%对应的合理市值范围约为0.9-1.0万亿美元。

总结：Q4财报后，贝叶斯更新的期望g₂为38.1%，显著低于当前价格（$469/股）隐含的58.1%，二者存在约20个百分点的认知鸿沟；同时，维持当前估值所需g₂>40%的概率从70%降至53.8%，估值安全边际实质性收窄。

隐含二级市场价格泡沫的“基础价值+泡沫合理性”估值分析

（一）股票的流动性便利溢价

在对一级市场股权和二级市场股票估值时，这两类资产价格会在相同的盈利能力下出现巨大的差异，这是二者的流动性差异所致。一级市场，尤其是早期风险投资的股权流动性最差，因此，反映在退出便利上，其“流动性风险溢价”（Liquidity Risk Premium，LRP）最高，风险溢价高，LRP就是估值上对难以变现资产要求额外回报补偿，具体表现为更高的折价——其折现率要在原有的经营、技术、财务、市场等风险基础上还要增加流动性风险的补偿。

而对于二级市场来讲，股票的高流动性意味着变现的便利，因此，在价格上会出现超过其基础价值的“流动性便利溢价”（Liquidity Convenience Premium，LCP），与LRP相反，LCP会增加股票的价值，使得股票价格会远远高于与其基础价值相同的风险投资股权。

其中P(market)是市场交易价格，P(intrinsic)是用PEGR模型计算出的基础价值。

二级市场高流动性带来的溢价，除了变现的便利，更多的来源于二级市场拥有数量庞大的投资人或买家，这是一级市场所无法比拟的。这也往往催生市场热门股票的价格大幅超越其“基础价值+流动性便利溢价（LCP）”的泡沫化现象。这类泡沫既是市场活跃度与热点情绪的体现，也暗含着估值脱离基本面的风险。因此，分析股票价格泡沫的合理边界与破裂风险，就成为股票估值分析的核心技术。

二级市场的高流动性溢价，除了体现在变现便捷性上，更源于其汇聚了数量庞大、持续交易的投资者与买方力量，这是一级市场难以比拟的。这也常常导致热门股的价格，大幅超出其“基础价值 + 流动性便利溢价（LCP）” 的泡沫化特征。此类泡沫既是市场活跃度与投资者情绪集中释放的表现，也隐含估值偏离基本面所带来的风险。因此，对股票价格泡沫的合理边界与破裂风险进行研判，就成为股票估值中的核心技术问题。

（二）“基础价值+LCP+合理泡沫+风险泡沫”的估值层级框架

上述根据财报修正的贝叶斯整体期望值E(g₂)=38.1%，实质上隐含了LCP，也就是说其对应的市值（0.9-1.0万亿美元）去除了LCP才是其内在价值（即基础价值），我们在这个逻辑上重新构建了五层估值框架：

图4. 特斯拉估值层级框架

特斯拉五层估值框架

注：LCP假设，在近三年的美股环境中（2023-2025年，由于利率处于相对高位），高市盈率（成长型）公司IPO 后一年的价格往往比发行价低30%-50%。我们取中40%作为LCP值。

图表解释：

1.所有“第二曲线”价值都已含在E(g2)=38.1%中

贝叶斯估值$0.95万亿美元已经包含了：

• Robotaxi成功概率40% × 价值$0.25T = $0.10万亿

• FSD订阅成功概率60% × 价值$0.08T = $0.05万亿

• Optimus成功概率20% ≈ $0.00万亿（风险过高，不计入）

2. $1.00万亿以上是“梦想溢价”分层

• 合理预期（$1.00-1.20万亿）：贝叶斯更新后的后验概率，有证据支撑

• 过度预期（$1.20-1.35万亿）：先验固执，线性外推，忽视成功率和基数效应

• 纯叙事（$1.35-1.53万亿）：不可验证的愿景（火星/太空），脱离贝叶斯框架

3. $1.53万亿中的$0.18万亿红色警报区是无依据的“信仰”而非有依据的“概率”

• 无法计算P(火星殖民成功概率) = ?

• 无法计算P(证据|火星殖民假设) = ?

• 没有可观测证据可以贝叶斯更新

结论：这不是估值，是叙事泡沫。

按照去年年末（2025年12月29日）特斯拉股价$469/股（对应市值1.53万亿美元），到最新的股价$411/股（2025年2月23日），下降了12.4%，市值约1.34万亿美元（按照去年末32.6亿股），刚刚脱离红色预警区，但仍处于橙色预警区的上限。

4.Optimus成功概率的推理

历史基准率：人形机器人从原型到规模化量产的成功概率 < 15%

Optimus 20%成功概率是基于历史基准率、技术瓶颈分解、商业可行性评估的贝叶斯后验，而非悲观。当前$1.53T市值隐含55%概率，要求证据持续超预期验证，否则面临36%下行风险。

（三）为什么要警惕市场对特斯拉的极度高估？

本文总结

贝叶斯化的PEGR方法通过持续吸收新信息，实现对估值参数概率分布的迭代更新——涵盖可预测期与终值期的增长率（g1和g2）预期，以及分阶段风险水平（折现率R）的预期。本文限于篇幅，仅聚焦于增长率的贝叶斯修正，未来研究将拓展至折现率的概率化更新，进一步完善PEGR模型的动态估值框架。

来源：上海金融与发展实验室