• 无形资产估值方法与定义 [page::0][page::1]

- 无形资产包括研发资产、销售管理资产，扣除商誉。
- 会计上研发、销售及管理支出多被费用化，未进入资产表，采用资本化处理以还原无形资产真实价值。

• 研发支出折旧率测算 [page::2][page::3]

- 采用回归模型测算A股不同行业研发及销售管理支出折旧率，研发折旧率区间为30%-80%，其中电子行业偏高（约73.88%），汽车行业偏低（约32%）。
- 销售管理支出资本化比例约15%，折旧率约20%。

• 无形资产估值因子ICV构建流程 [page::3][page::4]

- 利用历史披露数据，倒推公司成立初期的研发和销售管理支出，以折旧率折算累积资本化资产。
- ICV因子公式为 (研发资产 + 销售管理资产 - 商誉) / 市值。
- 三项资产平均权重分别约占总无形资产38.8%、25.7%和35.4%。

• 因子表现与收益分析 [page::4][page::5]

- ICV因子在2014-2020年测试期内，分组收益展现良好单调性，第十组年化超额收益显著高于第一组。


- 多空组合年化收益达13.7%，但市值与行业中性化后择股能力略有下降。

• 纯因子收益与行业细分检验 [page::6][page::7]

- 控制风格及行业因子后，ICV因子在中证500与创业板持续提供超额收益。

- 研发资产在计算机、汽车、建筑等行业与股价相关显著。
- 销售管理资产在建筑、农林牧渔、轻工制造等行业相关性较高。
- 负商誉在传媒行业表现突出，助力规避高商誉暴雷风险。
| 行业 | ICV IC | Krd/Cap IC | Ksga/Cap IC | Negative Goodwill/Cap IC |
|------------|---------|------------|-------------|--------------------------|
| 电子元器件 | 0.0332 | 0.0366 | 0.0164 | 0.0040 |
| 计算机 | 0.0291 | 0.0453 | 0.0391 | -0.0130 |
| 传媒 | 0.0478 | 0.0144 | 0.0254 | 0.0363 |
| 汽车 | 0.0337 | 0.0411 | 0.0149 | 0.0031 |

• TMT行业选股策略与回测表现 [page::7][page::8]

- 选股范围为电子元器件、计算机、通信、传媒股票，剔除ST股、新股及停牌股。
- 策略按月调仓，取50只ICV值最高股票，去极值、标准化、市值中性化处理。
- 与传统BP因子选股相比，ICV等权组合年化超额收益提高9.04%，信息比由-0.02提升至1.39。

• 报告总结 [page::8]

- 无形资产估值因子弥补了传统BP估值因子的不足，尤其在研发、销售、管理等无形资产强的行业（如TMT）中有较好表现。
- 未来可尝试引入更多非财报结构化数据，以更精准衡量企业内在价值。

解析报告：《多因子系列之十二 无形资产估值因子》——国盛证券研究所

---

一、元数据与报告概览

• 报告标题：《多因子系列之十二 无形资产估值因子》

- 作者：刘富兵、李林井

• 发布机构：国盛证券研究所（国盛证券金融工程团队）

- 发布日期：2020年6月1日

• 研究主题：无形资产的量化估值及其作为股票估值因子的应用，尤其针对研发、销售、管理支出资本化处理，剔除商誉，并构建相应量化因子研究股票表现。

- 核心观点：
- 传统价值因子（如BP）失效部分原因是无形资产未被合理计量，导致估值失真。
- 报告提出一种通过资本化处理研发、销售、管理费用，并剔除商誉估计无形资产账面价值的方式，构建“无形资产估值因子”（Intangible Capital Value，简称ICV）。
- 无形资产因子在A股，尤其是TMT（科技、媒体、电信等）行业表现优异，能够带来显著超额收益，是传统估值因子有益补充。

---

二、逐节深度解读

1. 报告摘要与引言

报告指出，财务报表中研发、广告费、管理费用大多被直接费用化处理，未通过资产负债表资本化体现无形资产，使这些企业的资产低估，尤其在TMT、医药、食品饮料等依赖无形资产的行业更为显著。同时，并购产生的商誉存在潜在高估风险，需剔除。

报告利用回归模型测算各行业无形资产的“折旧率”，以资本化方式重新估值，形成ICV因子，并验证该因子在股市上能提供稳定且显著的超额收益，尤其在TMT行业有较强的选股能力，明显优于传统BP因子。

关键结论：

• 无形资产折旧率行业差异显著，A股研发折旧率在30%-80%之间；汽车医药行业较低，电子行业较高。

- ICV因子长期有效，2017年后带来持续正向超额收益。

• TMT行业中，ICV构建策略超额收益年化达8.84%，信息比1.39，击败BP因子。

---

2. 无形资产定义与折旧率测算

2.1 无形资产构成与会计处理影响

• 无形资产包括无一定型态但对企业竞争力有重要影响的资产，如知识产权、品牌、人力资本等。

- 其在财报中通过研发、销售和管理费用的支出来反映，但大多被会计费用化处理，报表无法体现其真实价值。

• 商誉虽然也是无形资产一部分，但因市场中诸多商誉减值案例，作者选择剔除商誉以控制风险。

报告提出无形资产计量公式为：

$$ \text{无形资产} = \text{研发资产} + \text{销售管理资产} - \text{商誉} $$

2.2 无形资产折旧率测算逻辑

• 无形资产价值随时间递减，类似有形资产折旧，需通过折旧率折算历史投入为期末资产价值。

- 报告重点基于研发支出折旧率，引用美国相关文献，指出折旧率一般在10%-88%区间，传统约15%。

---

3. 美国与A股研发支出折旧率测算

3.1 美国折旧率数据（图表5）

• 美国不同行业研发投入折旧率差异大：

- 软件、计算机设备行业折旧率约30%-50%。
- 航空航天行业折旧率高达88%。
- 制药行业折旧率较低，大约11%-15%。

3.2 A股折旧率回归模型测算（图表6）

• 采用回归模型测量研发（RD）和销售管理支出（SGA）对营业利润率的滞后影响，从而确定折旧率，考虑研发投资影响期长（滞后5期），销售管理影响期短（滞后2期）。
• 行业层面折旧率测算结果显示：

- 计算机行业研发折旧率约56%,销售管理折旧率约34%。
- 医药行业研发较低（37.6%），销售管理折旧在31%。
- 电子行业研发折旧率较高(73.88%)，反映电子制造业研发价值快速消耗特点。
- 汽车行业研发折旧率最低(32%)，销售管理存在较高折旧率。
- 不同行业显示折旧率差异，符合不同资产使用寿命和商业模式特点。

---

4. 构建无形资产估值因子

4.1 数据来源

• 研发支出数据优先使用“研发投入总额”，缺失则采用费用化研发支出或管理费用中研发费。

- 销售管理支出聚焦广告宣传推广费与工资薪酬（销售和管理费用部分）。

• 商誉数据直接来自资产负债表。

4.2 资本化计算步骤

1. 研发资本化（Krd）

- 历史空白期研发支出假设按年增长15%倒推估计。
- 资本化计算采用折旧率迭代公式：

$$
Krd{i,t} = (1 - d{rd}) \times Krd{i,t-1} + RD{i,t}
$$

1. 销售管理资本化（Ksga）

- 15%销售管理费用资本化，资产折旧率设为20%：

$$
Ksga{i,t} = 0.8 \times Ksga{i,t-1} + 0.15 \times SGA{i,t}
$$

1. 商誉（Goodwill）

- 直接取财报中披露的商誉。

1. 构建无形资产因子（ICV）

$$
ICV{i,t} = \frac{Krd{i,t} + Ksga{i,t} - Goodwill{i,t}}{MarketCap{i,t}}
$$

• 三部分在总无形资产中占比大致为：研发38.8%，销售管理25.7%，商誉负35.4%。

---

5. 无形资产估值因子表现分析

5.1 因子分组收益（图表9-12）

• 图表9&10显示分十组ICV因子组合相对wind全A市场超额收益，且呈强单调上升趋势。最高组收益明显优于最低组，无论等权或市值加权均成立。
• IC值分析：

- 原始因子IC均值0.0262，t值3.93，显著异于零。
- 市值中性化及行业中性化后IC依然保持正向但有所下降（0.0219和0.0206）。

• 多空组合表现（图表11、12）：

- 原始ICV因子多头组合年化涨幅13.7%，显示良好区分能力。
- 市值和行业中性化削弱了因子区分能力，表明因子有一定行业及规模曝光。

5.2 纯因子收益率（图表15）

• 在控制十大类风格因子与行业因子条件下，ICV因子自2016年以来，尤其在中证500和创业板指数样本中表现稳健，带有稳定超额收益，沪深300收益较弱但自2018年起仍持续贡献。

5.3 分行业细分项统计检验（图表16）

• ICV因子三个细分部分——研发资产（Krd/Cap）、销售管理资产（Ksga/Cap）、负商誉（Negative Goodwill/Cap）在多行业显著相关于股票收益。

- 研发资产在计算机、电子、汽车等行业显著；销售管理资产在建筑、农林牧渔、建材等行业贡献明显；负商誉在传媒行业帮助识别商誉高估风险。

---

6. 无形资产估值因子在TMT行业选股效果

• 选股范围涵盖电子元器件、计算机、通信和传媒股，排除新股、ST及停牌。

- 策略执行为每月月底按ICV因子值选取50只股票，做市值中性化处理，分别采用等权和市值加权持仓。

• 与传统BP因子相比，ICV因子筛选出的组合提供更高年化超额收益（等权约提升9.04%）、信息比由-0.02提升至1.39，策略稳定且明显优异。
• 图表22、23：ICV选股策略大幅跑赢BP，在等权及流通市值加权策略中表现优异，进一步验证无形资产重估帮助改善估值偏差。

---

7. 结论与风险提示

• 报告通过折旧率资本化研发、销售管理费用，剔除商誉，形成了新的无形资产估值方法，并成功构建了ICV因子。

- ICV因子在2014—2020年测试期表现稳定，特别是在TMT与消费行业的相关性和超额收益显著，成为传统价值因子的有效补充。

• 未来可探索利用更多数据源改进无形资产估值的动态性与时效性。

- 风险提示：因基于历史数据和模型假设，未来市场环境变化可能导致模型失效。

---

三、图表深度解读

图表5（美国不同行业研发折旧率）

展示美国1987-2008年间多个行业研发折旧率，来源于Compustat和BEA-NSF数据。行业差异明显，航空航天高达88%，制药低于15%。显示无形资产折旧依行业特性有大幅差异，强调测算时需行业区分。

图表6（A股一级、二级行业研发及销售管理折旧率）

细分一级二级行业折旧率，揭示国内不同行业研发和销售管理支出的衰减差异。电子行业研发折旧率最高（73.88%），医药行业最低（37.61%），销售管理折旧率多集中特定区间。这支持折旧率需结合本土行业动态量化调整。

图表9-12（ICV因子分组收益与多空净值）

• 多组组合超额收益统计体现ICV因子强回报信号，组间收益稳定递增

- 多空组合净值曲线显示多头持续跑赢空头，说明ICV因子具有良好的择股能力。

图表15（ICV分域纯因子收益率）

控制多种风格与行业风险后，ICV仍提供正超额收益，尤其在创业板和中证500表现最为突出，表明该因子提供了传统风险因子未捕捉的收益来源。

图表16（细分因子行业内IC及t检验）

对细分子因子在不同行业的选股效果进行实证检验，研发资产和销售管理资产在技术制造和部分服务行业的选股能力较强，负商誉因子在传媒行业表现出降低风险的效果。这说明无形资产有不同类别和来源对股票回报的贡献不均。

图表22、23（TMT行业ICV与BP因子超额收益对比）

• 以等权和市值加权方式展示ICV因子相较BP因子的超额净值表现，ICV因子持续跑赢BP，证明重新资本化无形资产能够更准确反映企业价值，尤其是TMT行业。

---

四、估值分析

• 报告采用资本化与折旧率方式量化无形资产，属于“账面价值调整法”的一种创新尝试，实质上是财务重估以修正传统价值因子中的不足。

- 折旧率为核心参数，其合理性由行业回归模型定量支持，使资产资本化处理更为精准。

• 采用ICV与市值比率作为因子，体现相对于市值的无形资产“真实”价值贡献，增加了估值信息量。

- 该因子较好地兼顾了行业特质与个股财务表现。

---

五、风险因素评估

• 模型基于历史财务数据的稳健性假设，未来市场结构或会计准则变化可能影响模型准确性。

- 商誉的剔除虽然控制了高估风险，但可能遗漏部分真实业务价值。

• 折旧率测算基于线性滞后模型，未必完全反映无形资产实际贡献动态。

- 由于部分数据披露有限，估算历史“空白期”有一定假设风险。

---

六、批判性视角与细微差别

• 折旧率的线性估算与假设销售管理费用15%资本化可能过于简化，实务中无形资产的价值贡献非线性，存在行业与企业个体差异未充分体现。

- 商誉剔除虽降低风险，但也存在将优质并购产生价值误判为负资产的可能。

• 因子中性化处理削弱了部分行业及市值相关的收益，说明因子部分收益来自行业或规模特质。投资时需权衡因子暴露风险。

- 报告主要面向A股，部分结论及折旧率对其他市场适用性需谨慎。

---

七、结论性综合

本报告系统性地提出并验证了针对无形资产进行资本化处理，构建“无形资产估值因子”（ICV）的研究框架。其核心创新在于通过财务数据回归测算不同产业的无形资产折旧率，修正传统财报因费用化处理导致的无形资产低估问题。实证结果显示，ICV因子不仅在全市场范围具有稳定的选股能力，且在以TMT为代表的无形资产密集行业中表现尤为优秀，弥补了传统BP因子低估无形资产的缺陷。

图表中，多组分组收益和多空组合净值展示了该因子的良好区分度及正向超额收益能力；分行业细分项统计亦显示研发、销售管理和负商誉三个维度在不同领域发挥着不同的价值识别作用。更重要的是，在TMT行业内基于ICV因子的选股策略明显胜过传统BP因子，信息比和年化超额收益均表现卓越，反映出无形资产估值的现实改进价值。[page::0,1,2,3,4,5,6,7,8]

总结而言，ICV因子为价值投资提供了全新视角：通过量化无形资产贡献修正账面价值，有效捕捉企业长期盈利潜力与内在价值，尤其适合当前中国经济转型中科技驱动、高研发投入的行业。未来，可以在数据源更丰富及模型优化基础上，提升无形资产估值的精准度与实时反映能力，进一步强化因子投资的深度与广度。[page::8]

---

（全文完）

报告