一、对比背景：当“高增长”遇上“持续亏损”
近期，国产AI芯片领域掀起一阵IPO热潮。以某国产GPU头部企业（业内俗称“四小龙”之一）为代表的公司完成科创板注册，其发行申购阶段的中签率低至万分之二左右，市场关注度极高。然而，与火爆的申购形成鲜明对比的，是其财务基本面：“三年营收从3亿增至10亿，复合增速超80%”与“三年累计亏损43亿、累计未弥补亏损44亿”并存。这种典型的“Pre-profit”（尚未盈利）科技公司特征，使得沿用传统估值框架的投资者感到困惑。本文的对比对象，正是针对此类企业进行价值判断时常用的两套主流方法：基于利润表的相对估值法与基于未来现金流的绝对估值法（DCF）。通过对两者的适用边界、逻辑基础、关键假设和实务痛点进行系统对比，帮助读者厘清打新及后续投资决策的核心逻辑。
二、对象定义：两种估值路径的本质区别
路径一：利润表相对估值法（如市盈率法、市销率法）
其核心逻辑是“以当前或近期的盈利或收入水平为基准，乘以一个行业可比倍数，得出企业价值”。在未盈利状态下，市盈率失效，常用市销率（PS）或市净率（PB）替代。这种方法依赖“可比公司”的公开市场定价，计算简单、沟通成本低。
路径二：现金流折现法（DCF）
其核心逻辑是“企业价值等于其未来存续期内所能产生的自由现金流的折现值之和”。该方法不依赖当期利润，而是基于对企业未来十年甚至更长时间的经营预测，包括收入增速、毛利率爬坡、费用率下降、资本开支和营运资本变动等，最终折现得出一个“绝对价值”。DCF的复杂度和主观性远高于相对估值法。
三、相同点分析：共同的目标与挑战
尽管路径不同，但两者在评估Pre-profit芯片公司时面临着相同的基础难题：
- 高度依赖长期预测：无论是DCF中需要预测第10年的收入，还是相对估值法中需要寻找“未来几年可能达到的利润水平”，两者都要求分析师对芯片行业渗透率、产品竞争力、客户导入节奏做出长周期判断。
- 难以规避周期波动：AI芯片行业受技术迭代、宏观算力投资周期、政策变化影响巨大，两种方法都无法准确预测断崖式变化（如技术路线替代）。
- 对资本开支敏感：芯片设计公司虽无重资产制造压力，但研发投入和流片费用高昂。两者都必须考虑持续的投入强度，否则估值容易失真。
四、核心差异分析：从逻辑基础到具体操作
1. 估值逻辑的“根部差异”
- 利润表法是“向后看”或“向旁看”，依赖当下的财务结果或同行市场给的倍数。它是相对价格，而非内在价值。
- DCF法是“向前看”，试图回答“这家公司未来到底能赚多少钱”。它是内在价值的计算，不直接参考市场情绪。
在本文案例中，某公司毛利率从22.6%逐步爬升至31.8%，但仍远低于行业平均的57%左右。这一数据差异在利润表法中容易被简单处理为“竞争力弱于同行”，进而给出估值折价；但在DCF框架下，更重要的是分析毛利率爬坡的驱动因素（如高毛利的训推一体产品占比提升、规模效应带来的单位成本下降），以及这一爬坡速度是否能兑现。
2. 关键参数处理的差异
| 对比维度 |
利润表相对估值法 |
现金流折现法（DCF） |
| 核心变量 |
未来某年净利润或销售收入倍数 |
自由现金流（FCF）的增速与折现率 |
| 毛利率假设 |
隐含在目标市盈率倍数中，不单独测算 |
必须逐年显性假设，误差放大效应显著 |
| 费用率（研发） |
通过“调整后净利润”隐含处理 |
需明确预测研发费用绝对值及其占收入比重的变化趋势 |
| 营运资本 |
忽略 |
直接影响现金流，需计算应收账款与存货的占用 |
| 资本开支 |
忽略 |
芯片企业需预测流片费用、IP采购及服务器测试平台的投入 |
| 终值处理 |
依赖退出时点的可比倍数 |
通过永续增长率或退出倍数假设 |
| 适用阶段 |
已有稳定盈利或同行业可对标企业多时 |
适用于高速成长但尚未盈利，且未来格局可预判的企业 |
3. 具体测算路径差异：从“利润表”到“现金流”的12个步骤拆解
对于案例中的企业，DCF测算的链路远比利润表法复杂，且每一步都有“坑”：
第一层：从收入到毛利
- 步骤1：预测期收入拆分。需区分核心业务（如智算系统及集群，占比33%）与授权IP等非核心业务。案例中项目制收入受“东数西算”政策驱动，需判断该政策的持续性及地方财政支付能力。
- 步骤2：预测毛利率爬坡。案例中企业毛利率（31.8%）不足行业均值（57.9%）的一半。原因在于产品结构（推理卡占比80%、训练卡占比低）和以低毛利换市场的定价策略。DCF中需假设训练卡占比提升能带来结构性改善，且对主要客户的议价权提升后，毛利率逐年向50%靠拢（假设2030年达到54%）。此处的“坑”在于：低价策略是否会导致客户固化低价格预期，导致后续提价困难。
第二层：从毛利到盈利
- 步骤3：研发费用预测。这是未盈利公司的核心矛盾。需假设研发费用绝对值仍在增长（绝对值增长），但增速低于收入增速（相对占比下降）。如果研发费用率从当前的80%左右降至30%，意味着需要大幅压缩人员扩张或提高人均产出，这在AI芯片人才稀缺的背景下极具挑战。
- 步骤4：销售与管理费用。需考虑渠道建设、客户支持（面向大客户的驻场服务）等投入，不能简单按行业平均比例照搬。
第三层：从盈利到现金流
- 步骤5：营运资本变动。项目制收入占比高意味着应收账款周期长，需预测存货（芯片成品与晶圆）及应收账款的资金占用。亏损状态下，营运资本增加对现金流的消耗远大于盈利状态。
- 步骤6：资本开支（CapEx）。包括购买EDA工具授权、IP授权、测试用服务器集群、甚至参与先进封装产能的预定金。这些支出在利润表中以折旧或摊销形式部分体现，但在现金流中需全额扣除。
- 步骤7：税项。由于累计未弥补亏损44亿，预计未来数年内将处于免税期，但需假设盈利后税率恢复至标准税率，这会影响后期现金流。
第四层：折现与终值
- 步骤8：折现率（WACC）。无风险利率、股权风险溢价、Beta系数均需取数。未盈利且高波动的芯片公司，WACC通常取值在12%-15%之间。折现率每提高1%，对估值的影响在10%-15%以上。
- 步骤9：终值计算。常用永续增长法（假设3%增长率）或退出倍数法。对于Pre-profit公司，退出倍数法更具参考性，但该倍数的确定极易与相对估值法“循环论证”。
- 步骤10：敏感性分析。需对毛利率、收入增速、WACC做双变量或多变量敏感性测试。这虽不直接决定价值，但能揭示估值“脆弱点”。
4. 应用场景的差异
- 利润表相对估值法更适合在公司已有收入且亏损快速收窄、行业格局稳定时使用。例如，当市场已形成对同类芯片公司“PS=20倍”的共识时，用它来快速衡量是否高估。
- DCF法更适合回答“打新时该不该申购”这一核心问题。因为它能强迫投资者正视：如果这家公司毛利率永远达不到行业均值（如始终停在35%），其当前的估值是否还有支撑。
五、典型场景与选型建议
| 投资者类型 |
决策目标 |
建议采用的方法 |
核心关注点 |
| 打新套利型 |
判断上市首日是否有溢价空间 |
相对估值法为主，DCF为辅 |
参考同类企业首日涨幅及当时市场流动性，无需过度依赖DCF，因为打新收益主要由短期供需决定 |
| 长期价值投资型 |
判断当前买入是否为合理价格 |
DCF为主，相对估值法作为交叉验证 |
必须测算不同毛利率情景下的内在价值区间，尤其关注“毛利率低于40%”这一极限情景下的价值中枢 |
| 风险厌恶型 |
规避破发风险 |
仅关注相对估值法中的“安全边际” |
若相对估值法下已透支未来三年成长性，则无论DCF多乐观都应谨慎 |
选型建议（条件化表达）：
- 如果你相信国产AI芯片长期替代逻辑，且愿意承担十年期流动性折价，那么DCF能帮你锚定一个“绝对底部价值”，以判断当前发行价是否处于长期低估区间。
- 如果你仅以博取短期收益为目标，相对估值法更为高效，但需注意中签率极低（0.0246%）意味着打新收益将被资金量摊薄，此时DCF的参考价值反而不大。
六、使用注意事项与潜在陷阱
- DCF的手工预测陷阱：Excel中的12步模型看似严谨，但每一部都依赖假设。尤其是对毛利率的线性爬坡预测（如从31.8%线性涨到54%），现实中往往是非线性的——产品迭代可能跨越式提升，也可能停滞。建议在现金流预测中采用“阶梯式假设”而非“平滑式假设”。
- 资本开支的遗漏：芯片公司看似是“轻资产”（Fabless模式），但测试、验证、板卡设计等环节仍需要大量服务器集群投入。若忽略这部分现金流出，DCF估值可能虚高20%以上。
- 股权激励与可转换债券：Pre-profit企业通常有大量员工股权激励计划（以股份支付形式计入费用）及可转债券融资。在DCF中未将股份支付加回且未考虑可转债转股导致的稀释，会严重高估每股价值。
- 可比公司的“失真”：行业平均毛利率57%的参照物是否与目标公司产品形态一致？若参照公司包含大量推理卡中低端产品，则目标公司31.8%的毛利率差距可能不像表面那么大。选对参照系是应用相对估值法的前提。
七、总结
对于“国产GPU四小龙”这类高增长、高亏损、现金流为负的企业，打新价值判断不能简单依赖单一估值模型。利润表相对估值法适合快速横向比较，但容易陷入“贵了”或“便宜了”的相对情绪中；DCF法则强制聚焦于业务本质——毛利率能否爬坡、研发费用率能否下降、营运资本吞噬是否可控。两者并非对立，而应互补：用DCF测算内在价值上下限，用相对估值法判断市场情绪与溢价空间。最后特别提醒：无论采用何种方法，都必须对“毛利率能否从30%爬升至50%”这一核心假设做多轮严格压力测试——这决定了该公司究竟是“下一个平台级企业”还是“低毛利集成商”，也是打新时最值得花时间思考的地方。