Data Update 1 for 2026: The Push and Pull of Data
- 所属系列:专题更新 · 2026
- 视频:YouTube · 时长 29:34 · 字幕
- 内容判断:观点论证加数据集使用说明|画面依赖低:变量表、地区和行业表已按讲义转写
- 处理方式与范围:全片论证梳理与提炼
- 讲义 / 资料:讲义 PDF(简介未列,按同系列命名规律找到) · 博客原文 · 当前数据集 · 历史数据存档 · 变量定义
- 素材依据:英文字幕,仓库存档经 FreeTranscriptAPI 获取,761 行;字幕把 Damodaran 识别成多种拼写,类型未核实
- 核对范围:已读全片字幕 00:00–29:29、讲义 18 页(含 4 页图片);2026-10-31 对照仓库字幕复核了正文中带时间戳的数字;博客、数据表与视频画面未核对
- 发布日期:2026-01-09
- 数据截至:2026 年初;样本为 48,156 家有市场价格的上市公司;市值与回报为 2025 年末、按美元计
- 状态:已提炼
数据比以往更多、更容易获得,为什么 Damodaran 反而比 40 年前更不安?回答是,数据既能帮人找到信号、面对不确定性、找回视角、抵御虚假信息,也会带来虚假的精确、偏见、懒惰的均值回归和推卸责任。所以用任何数据都要看提供者的偏见、弄清算法、交叉核对。本期说明了 Damodaran 自己的数据集怎样遵循一致性和透明两条原则,覆盖哪 48,156 家公司,以及应该怎样使用。结尾的判断是,这类机械、基于规则的工作终将由 AI 接手,靠整理数据收费的生意和量化投资都必须带来数据之外的东西。
视频总结
时间戳取自 YouTube 英文字幕,标题中的时间区间可点击跳转;讲义页码另行标注。
00:00–01:23 一个爱数字的人
Damodaran 整理数据近 30 年,最初只是为了自己的分析,如今已有 200 多个数据集。
近 30 年来,Damodaran 每年第一周都在看数据(00:11)。自认“数字狂”(00:14):不喜欢抽象数学(00:22),但喜欢数字的手感(00:33)。1990 年代开始汇总数据(00:42),纯粹是为了自己的公司金融和估值分析(00:50),既然有了,何不分享(00:59)。数据集从 1993–94 年的五六个增加到如今的 200 多个(01:08)。
01:23–10:45 数据的好处与坏处
数据有四个好处和四个坏处;数据越多,用的人越要警惕,看清提供者的偏见、算法,并交叉核对。
这本该是数据的黄金时代(01:26),但 Damodaran 比 40 年前更不安(01:45)。数据的好处有四个(02:04):
- 从噪声中找信号(02:08):估值时各种观点和数字常相互矛盾(02:28),数据帮你理出方向(02:42);
- 应对不确定性(02:51):面对二战后经济秩序的瓦解(03:01),人常会否认或瘫痪(03:09),数据让你看到结果的范围(03:19),模拟和可视化帮你把它纳入决策(03:28);
- 治疗隧道视野(03:38):分析时容易陷入细节(03:42),跨时间、跨公司的数据帮你找回视角(04:03);
- 抵御虚假信息(04:08):编造的东西不只在社交媒体上,CNBC 和《华尔街日报》上也有(04:23),最好的回击是去看数据(04:32)。
坏处也有四个(04:53)。第一是虚假的精确(05:11):给事物一个数字会让人觉得能掌控它(05:13),并把数字当作精确的事实(05:23)。数字狂面对不确定性的典型反应是多加几位小数(05:34)。
第二是偏见(05:39)。金融界喜欢装作客观(05:46),但所有分析师都有偏见(05:52),从业者还会因结果受奖惩(06:09)。偏见会让人挑选支持先入之见的数据(06:32),更危险的是在潜意识中发生(06:37)。
第三是懒惰的均值回归(07:27)。从 Ben Graham 延续下来的老派价值投资,很多其实就是均值回归(07:10):买低市盈率股票能赚钱,是因为低市盈率回归平均(07:17)。均值回归很有力(07:31),但它的反作用力是结构性变化(07:39),投资中的大多数错误来自没认出结构性变化(07:53)。AI 争论中两派都错(07:58):一派说一切都比历史常态高,所以必然高估(08:06);另一派说世界秩序变了,所以定价合理(08:11)。两者都懒(08:14),应当用数据找中间地带(08:19)。
第四是让数据替你说话(08:23)。有些数据信徒把自己当数据工程师(08:34),甚至以“不是我,是数据干的”推卸责任(08:45)。
有人以为会进入数据驱动决策的乌托邦(09:08),Damodaran 不确定(09:14)。分析师在抱怨数据过载(09:19),格雷欣法则的某种版本在起作用,坏数据驱逐好数据(09:27)。使用任何数据,包括 Damodaran 自己的,都要做三件事(09:46):考虑提供者的偏见和先验(09:52);不要把数据当黑箱(10:03);尽可能交叉核对(10:27),离群值要么是革命性的正确,要么是错的(10:39)。
10:45–16:27 数据来源、变量与两条原则
几乎所有原始数据都是公开的;变量反映 Damodaran 自己的需要,并遵循一致性和透明两条原则。
1993 年第一次整理时(10:58),原始数据很难获得。Damodaran 从 Value Line 购买数据(11:08),因为它以 CD 提供(11:14),不用手工录入(11:29)。只有不到 2,000 家美国公司(11:34),数据集只有七八个(11:45)。如今凭 NYU 的关系可以使用 S&P Capital IQ(12:06)和彭博终端(12:12),再加上一些免费或便宜的数据(12:17)。几乎所有原始数据都在公开领域(12:44),数据服务的好处只是集中、方便(12:52)。
变量反映自己的需要(13:04),没有某个变量,只是因为不用(13:12)。讲义第 8 页按公司金融的框架列出了覆盖范围:
| 类别 | 变量 |
|---|---|
| 公司治理与描述 | 内部人、CEO 和机构持股;经营总量;员工人数和薪酬 |
| 门槛利率 | 贝塔、股权风险溢价、违约利差、股权成本与资本成本 |
| 项目回报 | ROE、ROIC、利润率、超额回报、市场 alpha |
| 融资 | 负债率、评级与利差、税率、债务细节、租赁 |
| 现金返还 | 股息与潜在股息(FCFE)、回购、股息率和派息率 |
| 增长与再投资 | 历史和基本面增长、长期再投资、研发、营运资本 |
| 定价倍数 | 盈利、账面价值、收入、EBIT 与 EBITDA 倍数 |
计算时遵循两条原则(15:01)。一是一致性(15:08):Damodaran 三十年来主张租赁是债务、研发是资本支出(15:14),计算时一直这样处理(15:22)。2019 年会计规则在租赁上追上了这一看法(15:41),但仍有差异,所以同时报告两种租赁债务(15:46);研发上仍有分歧(15:54),利润率和会计回报报告调整前后的数字(16:01)。二是透明(16:06):ROIC 这类变量有上百种定义(16:13),所有定义都公开(16:21),可以不同意(16:22)。
16:27–20:17 估计细节与地区划分
只报告行业层面的数据,行业值用加总法计算,以处理缺失和规模差异;地区划分则带着历史痕迹。
Damodaran 只按 95 个行业汇总报告(16:54),因为原始数据提供者保护公司层面的数据(16:38),而且单个公司的数据本来就在财务报告里(17:10)。全球统计换算为美元(17:22),多数数字是比率,币种不是问题(17:32)。
算行业平均并不简单(17:38)。部分公司缺数据,盈利为负就算不出市盈率(17:48);同一行业有很大和很小的公司,等权不合理(17:56)。Damodaran 的做法是把行业内所有公司的市值加总(18:09),净利润也加总,亏损公司也算在内(18:14),再相除(18:17)。这比简单平均甚至加权平均更有代表性(18:21)。
地区划分如下(18:39,讲义第 11 页):
| 分组 | 公司数 |
|---|---|
| 全球 | 48,156 |
| 美国 | 5,994 |
| 欧洲(欧盟、英国、瑞士、挪威) | 约 6,000 |
| 日本 | 3,965 |
| 新兴市场 | 27,360 |
| 其他(澳大利亚、新西兰、加拿大) | 4,458 |
| 其中:印度 / 中国(含香港) | 5,170 / 7,775 |
“其他”是发达市场,但资源公司比重高,与美国和欧洲大部分市场很不一样(19:13)。日本单列是历史原因(19:21):25 年前它在全球的占比大得多(19:33)。新兴市场已经有点臃肿(19:40),其中有些国家具备发达市场特征,例如新加坡(19:51)。约十年前起,印度和中国单列(20:02)。
20:17–23:53 样本与 2025 年的全球格局
样本包括所有有市场价格的上市公司,以减少抽样偏差;2025 年全球市值增长 21.46%,美国占比从 48.66% 降到 46.78%。
抽样是偏见的最大来源之一(20:36),“你可以抽样抽出任何你想要的结论”(20:38)。所以纳入所有市场价格大于零的上市公司(20:51)。私营和非上市公司不纳入(21:00),因为它们没有披露义务(21:06)。
2025 年末的地区格局如下(讲义第 13 页):
| 地区 | 2025 年末市值(万亿美元) | 占全球 | 2025 年变化 |
|---|---|---|---|
| 美国 | 69.77 | 46.78% | +16.77% |
| 中国 | 20.57 | 13.80% | +32.46% |
| 欧盟及周边 | 19.08 | 12.79% | +28.64% |
| 亚洲小型市场 | 9.27 | 6.22% | +38.00% |
| 日本 | 7.41 | 4.97% | +21.14% |
| 印度 | 5.33 | 3.58% | +3.31% |
| 全球 | 149.14 | 100% | +21.46% |
美国市值约 69.8 万亿美元(21:33),约占全球 47%(21:37),一年前是 48.7%(21:48)。美国增加约 10 万亿美元(21:55),全球增加 26.4 万亿美元(22:00)。拉美、亚洲和中国都跑赢美国(22:11),表现最差的是印度(22:19),部分因为卢比走弱(22:26)。
行业格局是(讲义第 14 页):科技市值 32.8 万亿美元(22:56),约占全球 22%(22:59);房地产(23:10)和公用事业(23:13)份额小。涨幅最大的是材料 37.8%(23:29),其次是科技和工业(23:31);最差是能源 5%(23:38)和必需消费 8.5%(23:41)。这是全球口径,所以和 Data Update 2 里标普 500 的行业排名不同。
23:53–25:34 使用数据的提醒
这些数据是给实务者的,不是给研究者的;它是起点而不是终点,结论要自己负责。
数据是为当下做公司金融、投资和估值的实务者准备的(24:06),不是为研究设计的(24:17)。学术研究者应使用原始数据(24:23);若只能用存档,要知道并非所有变量都有长历史(24:37),而且中途换过原始数据提供者(24:41)。
数据是起点,不是终点(24:50)。给一家泰国钢铁公司定价(25:00),不能拿钢铁业的 EV/EBITDA 乘以 EBITDA 就完事(25:06)。数据是免费的(25:21),但用它得出的结论是你的(25:27)。
25:34–29:34 交给 Damodaran 机器人
整理数据几乎全是机械、基于规则的工作,应该交给机器人;靠此收费的生意和量化投资都要带来数据之外的东西。
2024 年 Damodaran 写过“Damodaran 机器人”(25:39),一个读完全部公开内容的 AI(25:50)。当时的看法是,AI 在机械和基于规则的任务上会比人更好(26:05),因为不累、不需要咖啡因(26:08)。
这次更新数据时,Damodaran 意识到自己做的几乎全是机械和基于规则的工作(26:21)。第四天累了(26:38),把数据粘贴到了错误的位置(26:42),机器人不会这样(26:44)。明年打算让机器人更多参与(26:47),也许有一天完全由它完成(26:56),“它会比我活得久”(27:00)。
更普遍的含义是(27:12),靠收集和处理数据、收取高价的企业(27:26),日子可能不多了(27:30),因为它们做的是把已有数据按规则机械地整理(27:40),AI 能做得更好、更便宜(27:46)。量化投资带着数学天才的光环(27:56),但未来要赚超额回报会难得多(28:19),必须带来数据里没有的东西(28:26)。
提炼
核心结论
数据的价值不在多,而在你怎样用它:它能给你视角,却替代不了判断。均值回归和“世界变了”都是不看数据的省事说法,真正要回答的是结构性变化是否足以解释偏离。AI 接管数据整理的判断,前提是这些工作确实只是规则化处理;如果数据的筛选和口径本身需要判断,人还有位置。这也是 Damodaran 强调一致性和透明的原因:数据集的价值不只是数字,还有一套公开的处理立场。
概念与公式
行业市盈率(加总法):
分子和分母都包括亏损公司;“各公司市盈率的平均”会剔除亏损公司,并让小公司的极端值影响平均。
| 概念 | 含义 |
|---|---|
| 虚假精确(false precision) | 面对不确定性时多加几位小数 |
| 懒惰的均值回归(lazy mean reversion) | 不问是否发生结构性变化,就假设指标会回到历史均值 |
| 格雷欣法则(数据版) | 坏数据驱逐好数据 |
| 抽样偏差 | 只选部分公司,得出想要的结论 |
方法与判断依据
- 使用任何数据前的三问:提供者是谁、有什么偏见?这个数字是怎么算出来的?能否与其他来源交叉核对?
- 面对“高于历史常态”的论点:先问是否发生了结构性变化,再问变化是否足以解释全部偏离。
- 计算行业指标:用加总法;注意剔除缺失数据的公司会造成什么偏差。
- 判断工作是否会被 AI 替代:看它是否机械、基于规则、可从现有数据中整理出来。
复算与实操
美国在全球增量中的占比:10.02 ÷ 26.35 ≈ 38.0%,与 Data Update 4 一致。
欧洲公司数:讲义第 11 页这一格是空的,48,156 − 5,994 − 3,965 − 27,360 − 4,458 = 6,379,与口述的“约 6,000”相符。
加总法与平均法的差异(假设值):某行业有三家公司,市值 / 净利润分别为 900/60、90/3、10/−2。加总法 = 1,000 ÷ 61 ≈ 16.4 倍;平均法剔除亏损公司,(15 + 30) ÷ 2 = 22.5 倍,被小公司的高市盈率拉高。
关联
- Data Update 2 for 2026: A Test for US Equities:本系列第二期,转入 2025 年美国股市的回报与隐含股权风险溢价。
- Data Update 4 for 2026: A Tumultuous Year (2025) for Global Markets!:本期的地区格局在那一期展开。
- AI Disruption: Doomsday Scenario or Fizzle?(2026-03-04):那一期再次谈到 Damodaran 机器人和怎样跑在它前面。
- Finding your Investing Lodestar(2026-03-24):本期“懒惰的均值回归”与那一期关于结构性变化的讨论一致。