由一個數字講起

折讓打多少，溢價加多少。這些數字，讀者早已習慣在通函裡看到，也習慣把它們當成事實。一個百分比印在報告上，有小數位，有出處，看起來無懈可擊。

但一個數字，只是某條問題的答案。問題問得不對，答案再精確，也是答錯了題。

上一季的季度研究，筆者與團隊在一個最不起眼的地方，撞上一條一直被忽略的問題：這個百分比，究竟答的是哪一條問題？

換一個模型，重做一次

事情由一個改動說起。大模型語言 LLM 發展一日千里，如 ChatGPT 6.0 Sol 推出只有一星期，便被 6.1 版本取替。上一季那批通函，原本由兩個本地的 LLM 讀完。筆者把兩個模型換成了另一個，於是冒出一條可以實測的問題：同一批通函，同一套程序，只換模型，答案會一樣嗎？

第一個測試是盲測。把上一季 97 份通函交給 8 個 AI Agents 作為讀者，他們各自負責 12 至 13 份，手上有一份提取指引，但完全看不到既有答案。結果是： 97 份的分類全部正確，20 個採納數字全部正確，沒有多讀，沒有漏讀。答案是可以從零找出來的。

第二個測試更嚴：把整條程序由頭到尾再跑一次。結果，客觀輸出與原本完全一致。97 份通函落在同一批類別，22 份載有業務估值報告的文件，20 個採納數字（14 個折讓，6 個溢價）一個不差。

程序看似是對的，數字看似也是對的（筆者經常強調不要盡信人工智能的結論）。

分歧不在數字，在理解

但重跑之後，有 30 格「判斷旗標」不一樣。

所謂旗標，是程序對文件作出的判斷，例如「這宗交易應否預期有折讓」「這份估值是否載有溢價數字」。同一批文件，同一個數字，兩個模型對「意思」的看法不同。

30 格差異，不多。但筆者沒有把它當成雜訊抹掉，因為它有 3 個特徵：全部落在同一組文件上，方向幾乎一致，而且出現的地方，正好是程序要做判斷而非照抄的地方。數字可以照抄，判斷不能。分歧出現在判斷上，就值得追。

追的時候還有一個小插曲。計分程式第一次跑，得到滿分。滿分本身就可疑，查下去，發現程式用股票代號來對接結果。上一季有 9 個代號重複出現，其中 2 個代號更在同一天各自遞交 2 份通函。一個代號，不足以辨認一份文件。要用檔案本身。

這件事本身就是後面所有發現的縮影：一個看起來可用的辨識符，悄悄代表了另一樣東西。

第一個發現：股權欄位問錯了問題

順藤摸瓜，筆者把 22 份業務估值報告的股權欄位，逐一對回原文，結果有 4 份記錄錯了。

這 4 份記錄的，是「交易」的股權，不是「估值」的股權。收購或出售多少，不等於估值師估的是甚麼。這 4 份，估值師估的其實都是 100%，欄位卻填了交易的那個百分比，一宗記了 35.64%，一宗記了 49%，一宗記了 30%，一宗記了 60%。

陷阱在通函的標題。標題寫的是交易，收購 49% 股權，出售 30% 股權，讀者第一眼看到的正是這個數字。估值報告卻在附件深處，安安靜靜地寫著，它估的是整家公司的全部權益。

為甚麼要緊？因為程序對折讓的預期，是由股權欄位推導出來的。欄位記了「少於一半」，程序就推論「少數股權，應有折讓」。4 份錯誤，4 份都推出同一個結論。把股權改回 100%，答案就自動變成「不應預期」。

若沒有查出來，這 4 個「應有折讓」的預期就會一直留在數據裡。日後有人拿它去推算，就會得出一個市場上並不存在的折讓。一個填錯的欄位，就是這樣悄悄生出了一個結論。

第二個發現：整季沒有一個 DLOC

第二個發現，把第一個發現接了下去。

上一季 20 個採納數字，14 個是折讓，6 個是溢價，一個控制權折讓 DLOC 都沒有。而剛才那 4 宗，恰恰都是「少於一半」的交易。按第一眼的理解，少數股權理應有控制權折讓，卻一個都找不到。看似矛盾。

解開矛盾的那句話，其實很簡單：控制權的調整，跟的是「估值對象」，不是「交易」。

若估值對象是 100%，是全部權益，估值師只會做以下其中一件，加一個控制權溢價，或者不作任何控制權調整。 DLOC 是把一個控制權價值調低到少數股權價值，方向剛好相反，用在這裡就是倒轉了。DLOC 只在「估值對象本身就是少數股權」時才合理。

2026 年第二季有一宗個案，把這條道理寫得最清楚。它的報告把公式列了出來， DLOC ＝ 1 － 1／（1 ＋控制權溢價），然後，它採納了溢價，沒有採納折讓。原因正是它的估值對象是全部權益，是控制權水平。公式它懂，方向它選對了。

第三個發現：同一個「100%」有 3 種意思

第三個發現最有趣，也最容易被忽略。

同樣寫著「100% 權益」，在上一季那 4 份報告裡，其實站在 3 個不同的水平。這個水平，行內叫 level of value ，估的是控制權水平、非控制水平，還是中性。

第一宗，市場法，對象是全部權益，估值師加了一個控制權溢價，18.1%。

第二宗，也是市場法，但報告一開始就聲明，是按「非控制股東的角度」去估，水平本身就是非控制，於是不加也不減。

第三宗與第四宗，走的是資產基礎法，報告明言不考慮控制權或缺乏控制權所帶來的溢價或折讓，是中性。

關鍵在最後一句。兩個運用了市場法的估值師，看到的是同一件事：上市公司股票的成交價，代表的是少數股權。然後他們走了相反的方向。一個把它拉上控制權水平，一個留在非控制水平。而資產基礎法本身是中性的，控制權這條問題通常不會出現。

所以「100% 的按比例」不是同類比較。先問水平，再問方法，之後才輪到比較。

這一點，對做併購分析的人尤其要緊。兩宗交易同樣寫著「100%」，一宗明確地加了控制權溢價，一宗含蓄地表示沒有。若只按比例去比價錢，就會把兩把不同的尺，當成同一把。

第四個發現：筆者也答錯過一次

這一節要講一個筆者自己的錯誤。

最初讀那宗 30% 收購的個案，筆者的判斷是：買家付了一個控制權水平的價錢，去買一個沒有控制權的股權，等於白白吃下一個自己拿不到的折讓。聽起來很有力。

細讀報告全文之後，這個判斷是錯的。報告開宗明義，估值基準是「非控制、非市場性」。換句話說，那個「100%」，本身已經是「非控制水平」的價值，從頭到尾都不是控制權水平的價值。買家按 30% 的比例付款，付的與估的站在同一水平，沒有付溢價。報告甚至補上一句，這宗交易的隱含市盈率，低於同業的平均與中位數。定價是保守的。

筆者把這個錯誤寫出來，不是為了自嘲。這條問題太容易答錯，連專門做估值的我第一下子也答錯，正好說明它值得寫進把關的清單。一個「100%」的標籤，不足以比較兩宗交易。往後每一宗，筆者都會先問一句：這份估值，是站在哪個水平說的。

對把關者的意義：3 條問題

把 3 個發現合起來，對每一位在通函上簽名的把關者，其實只多出 3 條問題。

第一，這份估值，估的是哪一個權益？是估值的對象，不是交易的股權。這 2 個數字，很多時候不是同一個。

第二，這個價，是哪一個水平？控制、非控制，還是中性？水平不同，2 個百分比不能直接比。

第三，用哪一個方法得出，採納了哪一個？若報告同時走了市場法與資產基礎法 2 條路，最後採納了哪一條，另一條為甚麼不採納，都應該寫出來。

第三條說穿了，只是要求把判斷寫出來，這次剛好有一個漂亮的示範。有一宗個案，市場那條路算了市帳率 1.44，也算了 20.9% 的折讓，最後卻採納了資產基礎法，並且寫明理由：可比上市公司的公開資料，相對不夠充分。它不採納，也說得出為甚麼不採納。這一句披露，就是比較的起點。

3 條問題，一條新法例都不需要。需要的，只是把估值師其實已經做過的判斷，寫出來。但從估值的最佳實踐 (Best Practice) 而言，筆者不禁會問，一個百分之百股權的估值，沒有計算控股權溢價，雖然已經在報告裡面明確寫明，但這裡會否有任何歧途誤導或走捷徑的意圖？筆者不想猜測和判斷，不過這個確實值得我們深入思考。

讀者若不在估值行業，也不必硬記這 3 條。它們可以壓成一句：這個數字，跟它聲稱所估的那樣東西，對得上嗎？小股東看通函，看的就是這一句。董事會批交易，問的也應該是這一句。

機器讀得全，人問得對

講到這裡，不妨回到一個更根本的問題：人工智能在這件事裡，站在哪個位置。

這次的發現，不是機器讀漏了數字。數字它全對，盲測與重跑都證明了。發現的是另一件事：機器讀得全，不代表問題問得對。問對問題，仍然是人的工作。

機器可以把 4,000 份通函的每一個數字攤開，卻不會自己質疑一條問題問對了沒有。這一層，仍然要人。機器負責讀得全，把逾 4,000 份通函逐份讀完，每個數字對回原文出處，在價值橋樑上覆核算術，每一季自動接上新刊發的通函。人負責判斷得準，判斷這一條問題問對了沒有，判斷一個水平站不站得住，判斷一個前提是否合理。

筆者這次答錯過一次，然後改正。這正好說明為甚麼判斷要在陽光下做。攤開來，才驗證得到。

限制照舊要講一次：這批數據由人工智能整理，筆者與團隊作抽樣覆核，不能保證 100% 準確，但每一個數字都可追溯、可覆核，方法與限制全部攤開。

儀器繼續運轉

上一季的收穫，已經寫進儀器的檢核。股權欄位，日後記的是估值師所估的那個權益。 DLOC 的預期，只在估值對象本身是少數股權時才出現。留下待答的還有 2 條：把「成交價對比估值按比例」推廣到整個 10 年研究的資料庫，看看少數股權交易有多常在不打折的情況下成交。以及，把「水平」變成一個正式欄位，讓每一宗估值都講明它站在哪個水平。

把關這回事，說到底只是一句話：每一個足以左右價值的數字，都要先問對了問題。

把關不是要找估值師的錯，而是把他們其實已經做過的判斷，從報告深處搬到讀者看得見的地方。

數字會印在報告上，問題不會。所以要有人，把問題問出來。

下期預告

下期再談知識產權的估值。金管局於 9 月的 30 日已公布，融資沙盒共有 7 個成功案例，筆者經手其中兩單。下期與大家分享。