01_行业分析通用框架

行业分析通用框架

系列：行业分析框架 · 第一篇 人物：老陈（从业23年的基金经理）、小林（刚入市3个月的年轻人） 核心问题：选股之前，为什么必须先看行业？

---

开篇：为什么有人赚钱，有人亏钱？

深秋的傍晚，小林盯着亏损的持仓，愁眉不展，找到了老陈。

「老陈，我研究了很久才买的股票，基本面也不差，怎么还是亏了？」

老陈把茶杯放下，没有直接回答，反问道：「你选股票的时候，第一步是看什么？」

「看PE，看营收增长，看净利率……」

「先停一下。」老陈摆摆手，「我再问你——同样是买股票，为什么有人赚钱，有人亏钱？」

小林想了想：「选股眼光不同？」

「不对。」老陈摇头，「因为大多数人选股，不先看行业。」

「可是行业……我也看了啊，我买的是新能源。」

「那你是2020年买的，还是2022年底买的？」

小林沉默了。

「一样的行业，不同的时间点，结果天壤之别。」老陈点上一支烟，「行业分析，第一步不是选公司，而是判断：这个行业现在处于生命周期的哪个阶段、景气度是上行还是下行、竞争格局是集中还是分散。这三个问题想清楚了，公司选哪个反而是次要的。」

小林若有所思，掏出笔记本：「那行业分析具体怎么做？」

「坐下，我慢慢跟你说。」

---

一、行业生命周期与估值逻辑

老陈在纸上画了一条S型曲线。

「所有行业，都会经历这四个阶段。你知道是什么吗？」

「导入、成长、成熟、衰退？」

「对，但你知道每个阶段该用什么逻辑估值吗？这才是关键。」

1.1 导入期：用户数和想象力定价

「导入期的行业，产品刚出现，整个行业可能还在亏损，根本没有利润。你告诉我，这时候该怎么估值？」

「没利润……那PE不就没法算？」

「对了，PE没法用。这时候市场用什么？」老陈在纸上写下两个字母：PS。

PS（市销率）= 市值 / 营业收入

「或者用活跃用户数、装机量，这些’北极星指标’。2010年移动互联网刚起来，谁在乎微博亏不亏钱？市场看的是用户数有没有在涨。」

「所以那时候估值都很高？」

「你反过来想，如果一家公司处于导入期，你能确定它最终能活下来吗？大部分导入期公司会死掉。所以高估值里面包含了巨大的不确定性溢价——有人赌它成，有人赌它败，这就是投机，不是投资。」

1.2 成长期：PEG是锚

「成长期，行业需求被验证了，开始快速扩张，但竞争格局还没有定型。这时候怎么看估值？」

小林思考片刻：「PE？可是PE对高增速公司好像不太公平……」

「思路对了。」老陈点头，「高增速公司，今年PE看着高，明年可能就合理了。所以成长期用PEG来修正：」

$$\text{PEG}=\frac{\text{PE}}{\text{净利润增速（\%）}}$$

「PEG < 1，说明估值相对增速偏低，市场还没完全定价增速。2020年新能源起飞，宁德时代PEG在0.8附近，后来涨了三倍。」

「那现在的新能源呢？」小林想起自己的亏损。

「2022年底，新能源汽车渗透率已经超过25%，行业开始从成长期向成熟期过渡，但市场还在用成长期的估值逻辑给溢价，这就是问题所在。」

1.3 成熟期：PE和DCF回归基本面

「成熟期行业，增速放缓，但稳定。客户基础固化，竞争格局清晰，这时候才能放心用PE和DCF。」

DCF（折现现金流）核心逻辑：

$$\text{内在价值}=\sum _{t=1}^n\frac{FC{F}_t}{(1+r{)}^t}+\frac{TV}{(1+r{)}^n}$$

其中：

• $FC{F}_t$：第 $t$ 年自由现金流
• $r$：折现率（通常取 WACC）
• $TV$：终值，$TV=\frac{FC{F}_n\times (1+g)}{r-g}$，$g$ 为永续增长率

「白酒行业就是典型的成熟期。茅台每年净利润增速10-15%，非常稳定，市场可以比较有把握地预测未来现金流，所以给高PE是合理的——因为你能看清未来，折现率里的不确定性溢价就小了。」

「那PE给多高合适？」

「这就是PE/G的问题了，稳定增速10%的优质行业，25-30倍PE是基本合理的。但你要注意，这是对应利率环境的——无风险利率越低，合理PE越高，这是数学，不是玄学。」

1.4 衰退期：PB清算逻辑

「最后是衰退期。传统印刷业，行业需求被互联网和数字化替代，收入持续下滑。这时候用PE、DCF都没意义了——利润在萎缩，DCF折现出来可能是负的。」

「那还有没有投资价值？」

「有，但换一种思路。」老陈写下：PB（市净率）= 市值 / 净资产

「衰退期公司，看它的清算价值。如果PB < 0.5，意味着市场给它的估价只有账面资产的一半。如果它的资产是真实的、能变现的，那可能是低估的。这是破产重组或者价值发现的逻辑，不是成长逻辑。」

四阶段估值逻辑汇总

阶段	核心特征	估值方法	典型案例
导入期	无利润，高不确定性	PS / 用户数 / GMV	2010年移动互联网
成长期	快速扩张，格局未定	PEG / PS	2020年新能源
成熟期	稳定增长，格局清晰	PE / DCF	当前白酒、调味品
衰退期	需求萎缩，利润下滑	PB（清算价值）	传统印刷、胶片业

---

二、行业景气度：量·价·利三要素共振

「生命周期是长维度的判断，一个行业在哪个周期阶段，可能10年都不变。但景气度是中短期的——同样是成熟期行业，今年景气不景气，是完全不同的。」

「怎么判断景气度？」

「记住三个字：量、价、利。」

2.1 量：产销量/出货量

「量，是行业需求的直接体现。看产量、销量、出货量的同比变化趋势。」

• 白酒：看茅台飞天批价（不是出厂价，是市场流通价，更能反映真实需求）
• 钢铁：看粗钢产量、螺纹钢库存去化速度
• 半导体：看全球晶圆出货量、国内设备采购订单

「批价和出厂价有什么区别？」小林问。

「茅台出厂价官方控制在969元，但市场批价可以到2700、2800，中间的差价就是经销商赚的。批价涨，说明需求旺盛；批价跌，说明渠道在去库存，需求疲软。这比财报早半年反映问题。」

2.2 价：产品价格趋势

「价格是景气度的晴雨表，尤其在产品同质化的周期行业。」

• 猪肉价格：直接影响养殖行业利润，猪周期就是价格周期
• 动力煤价格：煤价上涨→电厂成本上升→利润压缩
• 铁矿石价格：直接影响钢铁行业毛利率

「价格单独涨，不一定是景气，可能只是供给减少导致的涨价，需求并没有增加。所以要配合量来看。」

2.3 利：行业利润率趋势

「利润率，尤其是毛利率和净利率，是最终检验。量涨、价涨，但如果成本涨得更快，利润率还是下去了，那景气是虚的。」

• 半导体代工：台积电毛利率从50%+到40%+，就是一个信号
• 光伏：硅料价格下跌→电池组件毛利率修复→行业景气改善

2.4 三要素共振的意义

「这三个要素，最重要的是看它们的方向是否一致。」

老陈在纸上列了两个场景：

场景A：量↑ 价↑ 利↑ → 三者共振向上

表面上看是行业景气最好的时候，但老陈停顿了一下：「你觉得这时候该买还是该卖？」

小林想了想：「好像……该买？」

「错了。」老陈敲了敲桌子，「三要素共振向上，往往是景气顶部预警。为什么？因为利润最好的时候，大量资本会涌入，新产能快速建设，半年到两年后供给过剩，量价利全部反转。2021年的光伏硅料就是典型——硅料价格涨到300元/公斤，所有人蜂拥建产能，两年后跌到40元。」

场景B：量↓ 价↓ 利↓ → 三者共振向下

「这时候呢？」

「最惨的时候……是底部？」

「往往是。」老陈点点头，「三要素共振向下，行业最悲观的时候，往往是景气底部的机会。不愿意扩产、产能出清、弱势企业退出，为下一轮景气上行打基础。2015-2016年的供给侧改革前，钢铁、煤炭、水泥，就是这种状态。」

「所以周期行业，要在景气最差的时候买，景气最好的时候卖？」

「基本逻辑是对的，但实际操作需要判断’底部形成了没有’，这是难点，以后我们再展开。」

---

三、行业集中度分析

「景气度判断的是行业的短中期机会，集中度判断的是行业的长期质地。」

3.1 CR3：前三名集中度

$$C{R}_3=S_1+S_2+S_3$$

其中 $S_i$ 为第 $i$ 名的市场份额（%）。

• $C{R}_3>60\%$：高度集中，寡头垄断格局
• $C{R}_3$ 在 $30\%\sim 60\%$ 之间：中度集中，适度竞争
• $C{R}_3<30\%$：低度集中，充分竞争

3.2 HHI：赫芬达尔-赫希曼指数

$$HHI=\sum _{i=1}^n{S}_i^2$$

其中 $S_i$ 为各公司市场份额（以小数表示），即每家公司份额的平方求和。

• $HHI>0.25$（或2500，以百分比计）：高度集中
• $HHI$ 在 $0.10\sim 0.25$ 之间：中度集中
• $HHI<0.10$（或1000）：低度集中

举例：白酒行业 vs 钢铁行业

白酒前三（茅台约55%高端份额、五粮液约20%、泸州老窖约10%，高端白酒口径）：

$$HH{I}_{\text{白酒高端}}\approx 0.55^2+0.20^2+0.10^2+\text{其他}\approx 0.38\text{（高度集中）}$$

钢铁行业前十CR10约不足40%：

$$HH{I}_{\text{钢铁}}\approx \sum \text{各家}<0.05\text{（低度集中）}$$

3.3 集中度与定价权、毛利率的关系

「你明白了，然后我问你：集中度高的行业，有什么好处？」

「定价权强？」小林试探地说。

「对。集中度高 → 龙头企业有定价权 → 毛利率高 → 赚钱效应好 → 值得给估值溢价。反过来，集中度低的行业，谁涨价谁就失去客户，价格战无休无止，大家一起把利润打没。」

集中度与行业特征映射表

集中度	CR3参考值	定价权	毛利率特征	投资建议
高度集中	>60%	强	高且稳定	溢价合理，关注龙头
中度集中	30-60%	中	中等，有竞争压力	精选龙头，关注份额变化
低度集中	<30%	弱	低且波动	谨慎，周期底部博反弹

「但要注意一点，」老陈补充，「高集中度是结果，不是原因。你要分析的是，这个行业集中度高的背后，是什么壁垒支撑的——是品牌、是规模效应、还是牌照？壁垒能不能持续，才是关键。」

---

四、A股特殊考量

「教科书里的行业分析框架，是基于成熟市场建立的。A股有它独特的地方，不考虑这些，亏了钱都不知道为什么。」

4.1 政策风险：A股的”第六力”

老陈把茶杯推到一边，神情严肃起来。

「2021年7月，双减政策一夜之间落地。在此之前，新东方、好未来是多少人眼中的优质成长股？」

小林点头：「我知道，跌了90%。」

「跌了90%还是轻的，有些教育类公司直接退市。不是因为公司经营出了问题，而是商业模式被政策宣布非法。波特五力里有什么可以解释这种风险吗？」

「好像没有……」

「所以A股必须加第六力：政策监管。」

几个典型案例：

时间	政策事件	受影响行业	市场反应
2021年	双减政策	K12教育	相关股票跌90%+，部分退市
2021年	平台经济整治	互联网（阿里、腾讯、美团）	市值蒸发数万亿
2021-2022年	地产三道红线+限购收紧	房地产及产业链	恒大、碧桂园等暴雷，地产股腰斩
2023年	医疗反腐	医疗设备/药企	短期大幅调整

「所以在A股，选行业必须先问一个问题：这个行业，政策是顺风还是逆风？政策顺风的，可以高于合理估值持有；政策逆风的，再便宜也要打折再打折。」

「怎么判断政策顺逆风？」

「看两个地方：一是党代会报告、政府工作报告里的关键词；二是五年规划里的重点方向。出现在’大力发展’里的行业，政策是尾风；出现在’规范整治’里的，要小心。」

4.2 SOE vs 民营：不同的竞争逻辑

「国企和民营企业，在竞争动态上有根本性差异，你有没有注意到？」

「民企更有狼性？」

「对，但为什么？」老陈继续追问，「国企的管理层，KPI考核是什么？」

「完成指标、不出事？」

「大致如此。国企天花板往往由考核机制决定——管理层不太可能为了市场份额冒极大风险，因为失败的代价由个人承担，成功的收益却归集体。但民企不一样，老板就是大股东，扩张的动力极强。」

「但民企有信用风险？」

「对，2018年以来民企债券违约潮，2021年恒大债务危机，都是民企激进扩张后崩塌的例子。所以在A股分析中，同样的行业、同样的指标，国企和民企要用不同的折扣率来看。」

4.3 政策热点驱动的行业轮动

「A股还有一个特点，每年都会有一两个政策热点行业，资金集中涌入，估值快速拔高。」

近年轮动路径大致如下：

2019年 → 科技股（5G、半导体）
2020年 → 新能源（光伏、风电、电动车）
2021年 → 碳中和（煤炭、钢铁反弹）、新能源延续
2022年 → 军工（国产替代主题）
2023年 → AI/算力（ChatGPT引爆）
2024年 → 新质生产力、低空经济、机器人

「这种轮动有规律可循吗？」

「有。通常是政策文件发布→市场炒作预期→业绩兑现期→分化（有业绩的留下，没业绩的回调）。问题在于你在哪个阶段入场。炒政策预期的，往往是高风险高收益；等业绩兑现的，确定性更高但弹性小了。」

---

五、数据来源指南

数据类型	推荐来源	频率
宏观经济数据	国家统计局（stats.gov.cn）	月/季度
行业产量/价格	中国钢铁工业协会、中国汽车工业协会等行业协会	月度
上市公司财务	交易所公告、Wind、Tushare	季报/半年报/年报
行业批价/终端价	卓创资讯、钢联数据、博思数据	日/周
A股基本面汇总	Tushare Pro API	日度更新

---

六、Tushare 取数示例：获取同行业基本面数据

import tushare as ts
import pandas as pd
 
pro = ts.pro_api('你的token')
 
# 获取某行业（白酒）所有上市公司的基本面数据
# 先拿股票列表，再批量拉daily_basic
stock_list = pro.stock_basic(
    industry='白酒',
    fields='ts_code,name,industry,list_date'
)
 
# 取最新交易日行业成分股的PE/PB/ROE等指标
today = '20241231'
result = []
for code in stock_list['ts_code'].tolist():
    df = pro.daily_basic(
        ts_code=code,
        trade_date=today,
        fields='ts_code,trade_date,pe_ttm,pb,ps_ttm,dv_ratio'
    )
    if not df.empty:
        result.append(df)
 
industry_df = pd.concat(result, ignore_index=True)
industry_df = industry_df.merge(
    stock_list[['ts_code', 'name']], on='ts_code'
)
print(industry_df[['name', 'pe_ttm', 'pb', 'ps_ttm']].to_string())

代码说明：

• stock_basic(industry=) 按行业名称筛选股票池
• daily_basic() 返回PE（TTM）、PB、PS等估值指标
• 把同行业所有公司的估值汇总，可以横向比较谁便宜、谁贵，判断行业内的相对估值分位

---

七、追问思考题

题目1

2023年AI板块爆发，部分公司PS高达50倍，你认为这处于行业生命周期哪个阶段？用什么估值逻辑更合理？这类公司的主要风险是什么？

答题方向：

• AI应用层在2023年仍处于导入期到成长期早段的过渡阶段，大量公司没有稳定利润，甚至还在亏损
• 合理的估值逻辑是PS（市销率）或者TAM（总可寻址市场）叙事，而非PE/DCF
• 主要风险：① 技术路线可能被颠覆（模型迭代太快，今天的护城河明天可能消失）；② 商业化落地不及预期，PS高估值难以为继；③ 政策监管风险（数据安全、算法监管）

---

题目2

你发现某化工行业：产品价格↑30%、产量↑20%、毛利率↑15%，三要素共振向上。请问：你现在该买入、持有，还是准备减仓？理由是什么？

答题方向：

• 三要素共振向上，表面是景气最好的时候，实质上是景气顶部预警信号
• 逻辑链：高利润→吸引新进入者→新产能建设周期18-36个月→未来供给大量释放→价格下行→利润压缩
• 正确操作：在景气顶部区域（量价利三要素开始见顶回落之前）应该分批减仓，而不是追涨
• 例外情形：如果该行业存在极高的进入壁垒（牌照限制、技术门槛），新竞争者无法快速涌入，则持续性可能更强

---

题目3

A股某教育公司，PE=15倍，PEG=0.8，按成长股估值逻辑看极为便宜。你是否会买入？在双减政策背景下，你的分析框架需要额外补充什么变量？

答题方向：

• 不能仅凭PE/PEG判断便宜，在A股必须先过”政策第六力”这道关
• 双减政策直接使K12课外辅导的商业模式违法，不存在”业务整改后恢复”的可能，护城河被彻底摧毁
• 正确的分析框架补充：① 政策属性评估（是规范整顿还是行业鼓励？）；② 商业模式的政策合规性；③ 最坏情形下的清算价值（若商业模式不可为，PB清算逻辑是最后底线）
• 核心结论：在A股，政策风险是第一优先级过滤器，通过政策审查才进入财务分析。PE15倍看似便宜，但政策归零是负无穷大的风险，不可用估值逻辑覆盖

---

本篇是行业分析框架系列第一篇，建立了生命周期、景气度、集中度三层分析体系，并补充了A股特有的政策第六力。下一篇将深入商业模式，探讨为什么同样是制造业，白酒和钢铁的命运截然不同。