可比公司法：创业估值核心方法

CH-37-04-018·约 16 分钟·AI商业化与创业·更新 2026-08-14

清晨的集市，卖西瓜的摊位一字排开。你挑着一担自家种的头茬西瓜，心里没底：这瓜该卖多少钱一斤？你不好意思开口，先蹲在一旁观察。隔壁摊的老王，西瓜品种和你一样，个头差不多，刚开张就按三块五一斤卖出了两车。再远一点，卖哈密瓜的摊子虽然热闹，可那是另一个品类，价格对不上号。你心里渐渐有了数：我的瓜也卖三块左右，个头小的稍低、甜度高的稍高。这个“看看别人怎么卖、再结合自己情况调价”的过程，就是可比公司法。创业公司估值也是同一套逻辑。你的公司没有上市、没有公开股价，怎么知道值多少钱？最直接的办法就是找“同款公司”——可比公司——看它们被市场定了什么价，算出价格指标（比如每一块钱收入值多少钱），套到自己身上，再根据差异打折或加价，得到一个有据可依的估值区间。这套方法叫可比公司法（Comparable Company Analysis），是融资谈判、投资分析中最常用、最能服人的估值方法之一。接下来，我们从“挑邻居摊位”开始，一步步学会这门手艺。

岗位关联

学会可比公司法，你就能在融资谈判时用市场数据说话，不被投资人的压价唬住；做投资分析时也能快速判断一个项目贵不贵。这是 AI 赛道从业者最实用的财务基本功之一。

可视化演示
核心原理：集市上没有“标准价”
选择标准：挑邻居摊位的学问
估值倍数：按斤、按个、按车
计算流程：从样本到定价
差异调整：大小、甜度、新鲜度
实战应用：讨价还价的底气
AI 应用场景
Python 演示
常见误区
面试题

可视化演示

动态演示可比公司法的核心机制，通过开始/执行/监控/完成四种模式展示关键概念与交互流程。

本节配有交互动效（进入视口后自动加载，约 3KB）。

可比公司法：一模型能一、模型能力评估在AI产品决策二、评估维度设计：从单一指标到核心机制可视化可比公司法整体架构与关键组件

核心原理：集市上没有“标准价”

清晨的集市，卖西瓜的摊位一字排开。你没有定价经验，只蹲着观察了二十分钟，心里就有了底：同样是麒麟瓜，老王摊子三块五一斤，李姐的相仿，老赵的略小卖三块。这些正在成交的价格，就是市场的“公允价”。你不需要知道种瓜的成本，也不需要算天气对产量的影响，只要找到一个同类参照系，价格自然浮出水面。

创业公司估值也没有“标准价”，但市场上有大量“同类西瓜”——已上市或已融资的同行公司。可比公司法的核心思想是相对估值：不孤立地算一家公司值多少钱，而是看市场愿意给同类公司多少倍价格。当你把一堆同类公司的“价格/指标”倍数摆在一起，取一个中间值，再乘以自己的指标，估值就出来了。

相对估值对 AI 初创公司尤其友好：很多公司没有利润、甚至没有收入，绝对估值模型（如现金流折现）根本算不下去。可比公司法只需要同类公司的市值和几个关键财务数字。它不追求“精确真相”，而是追求“市场共识”——在谈判中，共识比真理更有说服力。

就像你最终把西瓜定价三块二一斤——老王卖三块五，但你的瓜稍微小一圈，打个折；李姐卖三块，你的瓜新鲜度更高，加一点。可比公司法给了你一个“讨价还价的坐标系”：所有数字都不是拍脑袋，而是从市场里长出来的。

\displaystyle \text{估值} = \text{可比倍数} \times \text{目标公司指标}

估值的本质就是“别人卖多少倍，我就按多少倍算”。

可比倍数同类公司的价格比例指标，比如上一轮融资后估值除以年收入的倍数。这是从市场“抄”来的参数。
$\displaystyle \text{倍数} = \frac{\text{市场给出的价格}}{\text{公司的某项规模指标}}$
目标公司指标你自己公司的对应数字，比如年收入、净利润。
$\displaystyle \text{指标} = \text{收入或利润等可量化的经营成果}$
相乘用市场的“单位价格”乘上你的“数量”，得到你的估值。
$\displaystyle \text{估值} = \text{单价} \times \text{数量}$

选择标准：挑邻居摊位的学问

挑参照摊位可不能随便。卖哈密瓜的摊子再热闹，也帮不了你定西瓜价；老王的瓜个头比你的大一倍，卖五块一斤也不能直接套用。你必须找“同品种、同体格、同新鲜度”的摊位。选可比公司同理：选错了参照系，后面的账全错。

可比公司选择的四个黄金标准：行业相似、规模相近、发展阶段一致、数据可得。行业相似解决“品种问题”——做 AI 医疗的公司不该拿游戏公司做参照；规模相近和阶段一致解决“体格问题”——A 轮阶段的 5000 万收入和 IPO 公司的 50 亿收入不是一个物种；数据可得则保证计算能落地。

实际操作中，分析师通常先按行业初筛，再按收入规模过滤，最后人工复核发展阶段（初创期、成长期、成熟期）。这个筛选过程可以量化成加权相似度：行业权重最高（约 40%），规模与阶段各占约 30%。

你蹲在集市上挑参照摊位的眼光，就是估值分析师的专业能力。摊子挑对了，后面的估价才有公信力；挑错了，哪怕计算再精确，也只是拿哈密瓜的价格给西瓜定价，投资人和你心里都会打鼓。

\displaystyle S = w_{\text{行业}} s_{\text{行业}} + w_{\text{规模}} s_{\text{规模}} + w_{\text{阶段}} s_{\text{阶段}}

相似度越高，说明这个摊位越“可比”。

维度相似度 s每个维度的匹配程度打分，0 表示完全不同，1 表示高度一致。比如两家都是 AI 大模型公司，行业相似度就是 1。
$\displaystyle s_{\text{行业}} = 1 \quad (\text{同一赛道})，\quad 0 \quad (\text{不同赛道})$
权重 w每个维度的重要性，行业 0.4、规模 0.3、阶段 0.3，权重相加为 1。
$\displaystyle w_{\text{行业}} + w_{\text{规模}} + w_{\text{阶段}} = 1$
综合相似度 S加权求和后得到 0 到 1 的分数，用来排队筛选可比公司。
$\displaystyle S = \sum_{i=1}^{n} w_i s_i$

估值倍数：按斤、按个、按车

定价还得定“计量单位”。集市上卖瓜，称重按斤、整卖按个、批发按车。创业估值也有对应的“单位”：PS 倍数就是“按斤称”——每一块钱收入值多少钱；PE 倍数是“按个卖”——每一块钱净利润值多少钱；EV/EBITDA 则是“连车带货”——看整个企业的综合价值。

倍数（Multiple）是可比公司法的核心工具：把公司的市场价值除以某个经营指标，得到一个可横向比较的比例。这个比例剥离了公司规模的绝对差异，让大小不同的公司能放在同一把尺子下比较。

PS 倍数，全称市销率（Price-to-Sales），适合还没有利润的成长型公司：

PE 倍数，全称市盈率（Price-to-Earnings），适合已能稳定盈利的公司：

EV/EBITDA 倍数，适合重资产、有大量折旧的公司（比如自建算力中心的 AI 公司）：

选倍数就像选计量单位：按斤称的 PS 适合还没长肉的 AI 初创，按个卖的 PE 适合已能稳定赚钱的成熟公司，按车估的 EV/EBITDA 适合服务器堆成山的算力公司。计量单位选错了，称出来的“价格”自然没人认。

\displaystyle \text{PS} = \frac{\text{总市值}}{\text{营业收入}}

这个倍数把“债权人的钱”也算进去，反映收购这家公司的真实总代价。

EV 企业价值总市值加上净债务，代表收购方“连债权一起买下”的总成本。
$\displaystyle \text{EV} = \text{总市值} + \text{有息债务} - \text{现金}$
EBITDA还没扣利息、税、折旧、摊销的利润，更接近公司真实经营造血能力。
适用场景AI 公司如果有大量 GPU 服务器这类重资产，折旧会压低净利润，用 PE 会低估公司，用 EV/EBITDA 更客观。

计算流程：从样本到定价

一个集市老手的完整动作是：先锁定参照摊，再看每个摊的价格单位，取中间数，最后套到自己瓜上算总价。可比公司法的标准流程也分四步：筛选样本 → 测算各家倍数 → 取中位数 → 套用目标公司指标。

前面我们学了怎么挑样本、怎么算倍数，现在把它们串起来。假设你已经挑了 5 家可比公司，算出了各自的 PS 倍数，接下来最关键的一步是：不要用平均值，要用中位数。因为平均值容易被一个极端值拉偏——就像瓜农平均价会被一个天价“网红瓜摊”整体抬高，而中位数稳得多。

听起来不复杂，但每一步都是经验活：样本选得好、倍数算得对、中位数取得稳，你的西瓜价就既不会高到吓跑顾客，也不会低到亏本。实际操作中，分析师还会分别用 PS 和 PE 各算一遍，两个结果互相印证，这叫交叉验证。

\displaystyle \text{估值} = \text{Median}(\text{PS}_1, \text{PS}_2, \ldots, \text{PS}_n) \times \text{目标公司收入}

中位数比平均值更抗极端值干扰，是估值实务中的默认选择。

Median 中位数把所有可比公司的倍数从小到大排序，取正中间那个值。
$\displaystyle \text{Median}(x_1, \ldots, x_n) = x_{\lfloor (n+1)/2 \rfloor} \text{（排序后）}$
PS 集合每家公司都有自己的市销率，形成一组倍数组。
$\displaystyle \text{PS}_i = \frac{\text{市值}_i}{\text{收入}_i}, \quad i = 1, 2, \ldots, n$
乘目标公司收入用中位倍数挂到目标公司当年的收入上，得到市场语境下的估值。
$\displaystyle \text{估值} = \text{PS}_{\text{中位数}} \times \text{收入}_{\text{目标}}$

差异调整：大小、甜度、新鲜度

找到了参照摊不等于照抄价格。你的瓜比老王的小 10%，要按比例减一点；你的瓜是沙瓤特甜，要加点价；瓜摊位置偏、人流少，还得再让一点。这就是估值里的“差异调整”。完全一样的公司是不存在的，差异调整的水平，往往决定估值师是新手还是老手。

公司之间的差异主要体现在三方面：成长性——你比可比公司增长更快，市场愿意给溢价；风险与流动性——你是未上市的一级市场公司，股份卖不掉、信息不透明，必须打折；规模——规模大的公司通常抗风险能力强，享有规模溢价。

把这些差异量化成比例，乘到基准估值上。公式并不复杂：

一个会调瓜价的老摊主，和一个懂差异调整的估值师，本质上做的是同一件事：不盲从参照，而是在参照的骨架上添加自己的斤两，让价格有理有据地贴近真实。

\displaystyle \text{调整后估值} = \text{基准估值} \times (1 + g) \times (1 - d)

g 是成长性溢价，常见 0~50%；d 是风险与流动性折扣，一级市场常见 20%~40%。

基准估值 × (1+g) 成长性溢价目标公司收入增速明显高于可比公司中位数时，估值上浮。增速高一倍，g 可取 0.3~0.5。
$\displaystyle g = \frac{\text{目标增速} - \text{可比中位增速}}{\text{可比中位增速}} \times k$
(1-d) 风险与流动性折扣一级市场股份无法随时卖出、信息披露弱，估值要打折。这是与二级市场最关键的差异。
$\displaystyle d = 20\% \sim 40\% \quad (\text{视融资阶段而定})$
连乘的顺序先加价再打折。先考虑成长性溢价，再扣流动性与风险折扣，两者按比例叠加而非简单加减。
$\displaystyle V_{\text{final}} = V_{\text{base}} \times (1 + g) \times (1 - d)$

实战应用：讨价还价的底气

现在你站在集市正中，手里有一张悄悄记下的邻居价目表。顾客还价三块，你说“隔壁老王同品种卖三块五，我这是头茬沙瓤，最低三块二”——顾客服不服另说，但你自己心里是有底的。融资谈判也一样：有估值区间在手，就不容易被对面一句“市场不好”压垮。

实战中，给投资人报一个“点估值”不如报一个“区间估值”。区间既能体现你的专业度，又给谈判留了缓冲。常用做法是取可比公司倍数的第 25 百分位（P25）作为估值下限，取第 75 百分位（P75）作为估值上限：

最终你会发现，可比公司法教你的不只是数学，更是一种“定价的底气”。估值从来不是精确的科学，而是在市场参照、合理调整和谈判节奏之间走钢丝。学会它，你就能像那个胸有成竹的瓜农一样，笑着对投资人说：这个价格，不是我拍的，是市场定的。

\displaystyle \text{估值区间} = \left[ \text{P}_{25}(\text{PS}_{\text{可比}}) \times I_{\text{目标}},\; \text{P}_{75}(\text{PS}_{\text{可比}}) \times I_{\text{目标}} \right]

区间下沿是你的底线，上沿是谈判目标，中间是拉扯的空间。

P25 与 P75 百分位把可比公司 PS 倍数从小到大排列，第 25% 位置和第 75% 位置的数值，代表市场偏保守和偏乐观的共识。
$\displaystyle \text{P}_{25} = \text{排序后第} \lceil n/4 \rceil \text{个倍数}$
I 目标指标目标公司对应的收入或利润数字。
$\displaystyle I_{\text{目标}} = \text{目标公司当年的营业收入}$
区间计算下沿 × 指标 = 保守估值底线；上沿 × 指标 = 乐观估值目标，谈判就发生在这个区间内。
$\displaystyle V_{\min} = P_{25} \times I, \quad V_{\max} = P_{75} \times I$

AI 应用场景

场景一：AI 公司融资前自评底牌

阶段：融资准备

解决的问题：AI 创始人常被投资人问“你这估值怎么来的”，答不上来就丧失谈判主动权。用可比公司法提前算出估值区间，等于在谈判桌上摆出市场数据做底牌。

具体案例：一家做 AI 客服 SaaS 的 A 轮公司，年收入 3000 万。创始人找来 5 家已上市的同类 SaaS 公司，PS 倍数分别为 5×、6×、7×、9×、12×，取中位数 7×，得到基准估值 2.1 亿；再按 30% 一级市场流动性折扣，把谈判底线定为 1.5 亿。见投资人时对方压价到 1 亿，创始人直接摆出可比公司数据，最终以 1.8 亿成交。

场景二：FA 制作融资材料

阶段：财务分析

解决的问题：财务顾问（FA）需要给项目制作“可比公司分析页”，让投资人在一页纸内看到目标公司相对同行的价格位置。手工计算容易出错，更新也慢。

具体案例：FA 用 Python 脚本批量抓取 10 家 AI 算力公司的市值与收入数据，自动计算 PS 倍数、中位数和估值区间，生成图表放进 Data Room。创业者凭借这份材料，三周内收到 8 份投资意向书（TS）。

场景三：投资人尽调验证报价

阶段：投资决策

解决的问题：投资人遇到“故事讲得好但估值虚高”的 AI 项目，需要独立交叉验证，避免为情怀买单。

具体案例：某 AI 制药公司报 25 亿估值，当年收入仅 5000 万，隐含 PS 高达 50 倍。投资人用可比公司法拉了一组已上市的 AI 制药公司，PS 中位数只有 12 倍，即便给足技术差异化溢价和一级市场溢价，合理区间也在 7~15 亿。据此将估值预期压到 10 亿，最终在一个更理性的价位达成投资。

Python 演示

python54 行

# -*- coding: utf-8 -*-"""可比公司法估值：输入可比公司财务数据，输出目标公司估值区间"""import statistics  class ComparableValuation:    def __init__(self, firms):        # firms: [{"name": "A公司", "revenue": 8000, "profit": 800, "mktcap": 16000}, ...]        self.firms_list = firms        self.ps_list = []        self.pe_list = []     def compute_multiples(self):        for f in self.firms_list:            if f["revenue"] > 0:                self.ps_list.append(f["mktcap"] / f["revenue"])            if f["profit"] > 0:                self.pe_list.append(f["mktcap"] / f["profit"])     def median_ps(self):        return statistics.median(self.ps_list) if self.ps_list else 0.0     def median_pe(self):        return statistics.median(self.pe_list) if self.pe_list else 0.0     def value_by_ps(self, target_revenue):        return self.median_ps() * target_revenue     def value_by_pe(self, target_profit):        return self.median_pe() * target_profit     def value_range(self, target_revenue):        sorted_ps = sorted(self.ps_list)        n = len(sorted_ps)        p25 = sorted_ps[max(0, n // 4 - 1)]        p75 = sorted_ps[min(n - 1, n * 3 // 4)]        return (p25 * target_revenue, p75 * target_revenue)  if __name__ == "__main__":    firms = [        {"name": "A公司", "revenue": 8000, "profit": 800, "mktcap": 16000},        {"name": "B公司", "revenue": 5000, "profit": 400, "mktcap": 12500},        {"name": "C公司", "revenue": 12000, "profit": 1500, "mktcap": 36000},        {"name": "D公司", "revenue": 20000, "profit": 1000, "mktcap": 40000},        {"name": "E公司", "revenue": 6000, "profit": 600, "mktcap": 15000},    ]    val = ComparableValuation(firms)    val.compute_multiples()    print("可比公司PS:", [round(x, 2) for x in val.ps_list])    print("中位数PS:", round(val.median_ps(), 2))    target = {"revenue": 10000, "profit": 800}    print("目标公司估值(PS法):", round(val.value_by_ps(target["revenue"]), 2))    print("估值区间:", tuple(round(x, 2) for x in val.value_range(target["revenue"])))

目的：用 Python 实现可比公司法的完整流程——输入多家可比公司的市值、收入、利润，输出中位数倍数、目标公司估值和谈判区间。

self.ps_list.append(f["mktcap"] / f["revenue"])每家可比公司市值除以收入，得到 PS 倍数存入列表
statistics.median(self.ps_list) if self.ps_list else 0.0取所有 PS 的中位数，抗极端值干扰
def value_by_ps(self, target_revenue):用中位数 PS 乘目标公司收入，得到基准估值
def value_range(self, target_revenue):生成 P25~P75 估值区间，给谈判留空间
p25 = sorted_ps[max(0, n // 4 - 1)]排序后取第 25 百分位倍数作为区间下沿
p75 = sorted_ps[min(n - 1, n * 3 // 4)]取第 75 百分位倍数作为区间上沿
if __name__ == "__main__":直接运行脚本即可演示完整估值流程

常见误区

误区我只要多找几家上市公司，不管是什么行业、什么阶段，数量够了取个平均值，估值自然就准了。反正数学上样本越大越稳定。

正解可比公司的核心是“可比”而非“数量”。拿 20 家不同行业的公司做参照，不如精挑 5 家同赛道、同阶段、同量级的公司。就像给西瓜定价时，哈密瓜的摊子再多，也帮不了你。样本选错，统计上再严谨也是精确的错误。

为何常见：初学者容易把“大数据”的直觉搬过来，以为样本量越大越好，忽略了可比公司法的灵魂是参照系的可比性。

误区统计学里平均值是标准做法，我只要把 5 家公司的 PS 加起来除以 5，得到平均 PS，再乘收入就行。

正解估值实务中优先用中位数。因为可比公司里只要有一家因为特殊原因（比如刚融资、市场炒作）倍数高得离谱，平均值就会被严重拉偏，而中位数只关心排序后“最中间”的那一家，天然免疫极端值。好比五个西瓜摊有三块、四块、十块（网红瓜摊），平均价五块多，但正常市价就是三块五左右。

为何常见：学校教的平均数先入为主，加上 Excel 里 AVERAGE 比 MEDIAN 更常用，容易形成路径依赖。

误区听说 PS 是 AI 公司估值的标配，那我就只用 PS，反正别的都用不上。算完 PS 直接给投资人报数就行。

正解PS、PE、EV/EBITDA 各有盲区，实务中通常要两个以上倍数交叉验证。PS 看不到盈利质量，PE 对亏损公司失效，EV/EBITDA 会更适合重资产公司。只用一个倍数，就像只看西瓜大小不看甜度，容易被账面数字误导。

为何常见：因为 PS 对亏损的 AI 公司最友好，初学者学会一个工具后就不愿再学其他工具，形成“锤子效应”。

误区估值算出来是 2.38 亿，那我就必须按这个数字去融，一分不能少，投资人也必须认这个数。

正解估值永远是一个区间，不是一个点。市场共识、谈判地位、资金供需都会让最终成交价偏离任何模型。合理做法是报出 P25~P75 区间，底线在区间下沿，目标在上沿，把估值当成谈判的起点而非终点。

为何常见：数学公式算出的数字看起来“科学”，让人误以为精确等于正确，忽略了估值本质上是人与人之间博弈的结果。

面试题

Q1. 可比公司法的本质是什么？

单选题 · easy

A.从历史成本推算未来收益
B.用类似公司市场价作参照← 正确答案
C.按创始人投入成本估值
D.按账面净资产出售定价

答案：B。可比公司法的核心是相对估值，即“看同类公司在市场上被定了什么价，再套用到目标公司”。A 是成本法思路，C 是成本投入思路，D 是净资产法，都与“参照市场”无关。

Q2. PS 倍数的正确计算方式是？

单选题 · easy

A.净利润除以总市值
B.总市值除以营业收入← 正确答案
C.营业收入除以净利润
D.总市值除以净资产

答案：B。PS = 总市值 ÷ 营业收入，衡量市场为每一块钱收入付多少钱。A 是收益率倒数，C 是净利率的变形，D 是市净率 PB。记住“S 代表 Sales（收入）”即可。

Q3. 一家亏损中的 AI 初创公司，最应该优先使用哪个估值倍数？

单选题 · mid

A.市盈率 PE 倍数
B.市销率 PS 倍数← 正确答案
C.市净率 PB 倍数
D.股息率指标

答案：B。公司亏损时净利润为负，PE 和股息率直接失效；AI 初创公司通常是轻资产，PB 参考意义不大。PS 只依赖收入数据，亏损公司也能算，所以是最常用的选择。

Q4. 筛选可比公司时最重要的维度是？

单选题 · easy

A.注册资本完全相同
B.行业赛道基本相似← 正确答案
C.注册地区完全一致
D.员工人数高度相等

答案：B。行业赛道相似决定了盈利模式、增长曲线和风险特征的可比性，是三要素中权重最高的一项（约 40%）。注册资本、注册地、员工数与估值逻辑没有直接关系。

Q5. 为什么估值时用中位数而不是平均值？

单选题 · mid

A.平均值计算比较麻烦
B.平均值对极端值太敏感← 正确答案
C.中位数永远等于平均值
D.中位数一定比平均值大

答案：B。平均值会被一个异常高的倍数拉偏，比如一家公司因炒作出现超高的 PS，会让平均倍数失真。中位数只取排序后正中间的值，天然抗极端值干扰，更能代表市场共识。

Q6. 目标公司收入 10 亿，可比公司 PS 中位数 3 倍，流动性折扣 30%，估值约为多少？

单选题 · hard

A.30 亿
B.21 亿← 正确答案
C.23 亿
D.40 亿

答案：B。先算基准估值：3 × 10 = 30 亿。再打 30% 折扣：30 × (1 − 0.3) = 21 亿。D 是把折扣加反了，A 是忘了打折，C 是算错折扣比例（约 23% 折扣）。

Q7. 甲市值 100 亿、收入 20 亿；乙市值 150 亿、收入 30 亿。目标公司收入 25 亿，按可比 PS 中位数计算估值是？

单选题 · hard

A.100 亿
B.125 亿← 正确答案
C.150 亿
D.135 亿

答案：B。甲 PS = 100 ÷ 20 = 5 倍；乙 PS = 150 ÷ 30 = 5 倍。中位数 PS = 5 倍。目标估值 = 5 × 25 = 125 亿。A、C 是单纯拿某家公司的市值套用，D 是错误计算。

Q8. 一级市场公司估值要向二级市场折扣，主要原因有哪些？

多选题 · mid

A.股份流动性比较差← 正确答案
B.公司信息披露不透明← 正确答案
C.公司质地更加优秀
D.投资人退出周期较长← 正确答案

答案：ABD。一级市场没有公开交易市场，股份难以及时变现（A），信息披露不如上市公司规范（B），从投资到退出通常要等 5 到 10 年（D），这三点都要求估值打折。C 恰恰是溢价理由而非折扣理由。

Q9. 下列哪些属于 PS 倍数本身的局限？

多选题 · mid

A.无法反映盈利质量← 正确答案
B.忽略成本结构差异← 正确答案
C.不能用于亏损企业
D.收入规模容易虚高← 正确答案

答案：ABD。PS 只看收入不看利润，盈利质量好坏完全体现不出来（A），两家公司收入相同但成本结构天差地别，PS 也无法区分（B），收入口径还可能被人为美化（D）。C 恰好是 PS 的优点——它正是为亏损企业设计的。

Q10. 某 AI 公司收入 5000 万、亏损 2000 万，已选 3 家可比公司 PS 倍数为 4、6、8。以下说法正确的是？

多选题 · extreme

A.可比公司 PS 中位数为 6 倍← 正确答案
B.按 PS 中位数估值是 3 亿元← 正确答案
C.若打 30% 折扣则估值 2.1 亿元← 正确答案
D.改用 PE 倍数更为合适

答案：ABC。三个 PS 排序取中间值为 6（A 正确）；6 × 5000 万 = 3 亿（B 正确）；3 亿 × (1 − 30%) = 2.1 亿（C 正确）。公司亏损，净利润为负，PE 公式直接失效，改用 PE 反而更不合适（D 错误）。