京公网安备 11010802034615号
经营许可证编号:京B2-20210330
如何进行实用行业研究与行业分析
老规矩,来个图文并茂基于欧洲某行的分析方法。写之前需要说明:不同机构不同方法,有时候区别可以很大(买方或卖方),同一个机构不同部门都有可能有不同的方法(equity或credit,对内的或对外的)。同时,行业分析本身比较复杂,一两句不好说清楚。
这里我从银行的角度来简单介绍其中一种:这个框架和逻辑适用于大部分行业的基本分析,基于从业经历,非教科书。有时间会逐步更新,尽量多加点干货。
PS:个人感受,如果想很懂这个行业,最好与这个行业的从业者,金融类长期跟进这个行业的人(比如一直跟进某些行业的客户经理或者信贷部门的credit officer),或专做某些行业研究的人多聊聊。他们有时候一句话胜读十年书,可以让你的行研报告很出彩,也有很多独特的经历看书是永远找不到的。
1. 一个行业中长期来看会往哪个方向走(forward-looking)
比如金属采矿行业:铝:国外市场供需慢慢平衡,国内大部分区域继续供应过剩,价格影响;铜:中期来看供应过剩,对于部分效率低的采矿企业,价格或低于cash cost
2. 识别出这个行业的关键风险和成功的驱动因素:
比如矿企:市场价格风险,成本风险,对冲风险,高资本支出(high CapEx/ cost overrun),政治风险,流动性风险等
再比如石油与天然气:政治风险,泄露风险,变差的fiscal terms,大宗商品价格波动性,特殊事件,环保,项目风险(油砂,深水),高度资本密集性和周期性等
3. 这个行业成功的企业和失败的企业大概都有哪些,为什么?
完全不想大方向,说明态度有问题。还有一点就是见过一些银行的初级分析师,连某些行业上下游都没分清楚呢就开始动笔分析了(某些大宗商品行业),搞笑么?多少想一想,了解一下这个行业的大概情况,起码搞清楚是驴还是马,然后再着手写报告。
行业分析基本的框架主要有四点组成(强调,是分析框架,不是写报告的顺序):
######1.1 经济周期######
经济周期是自然的经济波动,表现为经济的扩张与收缩。根据一些关键指标可以分析出目前处于经济周期的哪个阶段,见下图:
结合行业,我们主要划分为两类:
Non-Cyclical 非周期性行业(平时生活必须的 – Necessity):如电力(没电看不了电视),供水(没水冲不了厕所),FMCG(快消)类等
Cyclical 周期性行业(不是平时生活必须的 – Discretionary):这种行业波动性较强,与经济周期的相关性高,当整体周期处于上升阶段的时候,这个行业往往发展的比较好,如汽车(没奔驰可以开夏利,没夏利可以骑自行车),旅游(不出远门可以去家旁边的街心公园),高端时装(这辈子没穿过就),航空(与旅游等行业相关)等。
周期性行业又可以细分为两类,主要取决于这个行业被周期影响的时间点(早或晚):
早期的:如汽车,房地产(经济的波动或拐点会比较快的影响到这些行业)
晚期的:如技术
值得一提的是,行业又是通过产业链相互连接的,如下图展示的钢铁(高度周期性行业):
关于这方面的”课本”,推荐一本标准普尔(S&P)出的书(企业信用分析基础):Fundamentals of Corporate Credit Analysis
信贷周期与经济周期类似,主要分两个阶段:
增长阶段:表现为利率低,贷款条件比较灵活自由等(e.g. 个人或企业容易从银行借钱)
收缩阶段:上升的利率,贷款条件严苛等(银行翻脸不认人了)
收缩阶段往往持续到商业信心开始恢复,金融机构对经济增长前景重回乐观。
放一个近些年信贷周期的图例来说明(1990-2007危机前):
看了大方向,下面分析行业与企业。题外话:我一直觉得搞行业研究不容易,因为不光需要对宏观经济有一定了解,最好还要能看懂大部分的公司财务等。这是一个相当的知识与经验积累的过程。而且,很多大型银行内部做行业研究或组合管理的人有时候还要对自己银行的产品组合,整体风险胃口有了解,将这些维度都联系在一起,是挺有挑战性的工作。
商业风险主要指的是企业因为不确定性导致的利润减少甚至亏损的风险,如:
个人觉得,这一块主要是基于对个体企业的分析与理解,转为对宏观行业的分析与总结(我觉得做行业分析的人最好也有一定的企业财务等分析的基础)。可以参看我的另一篇文章,里面谈到了比较具体的企业信用分析方法:AlphaGo 的数据算法,能否用来分析银行信贷企业的各项数据,然后得出关键指标和权重? – 钱粮胡同的回答。
用图来总结的话,大致如下:
这里有两个小建议:
1:因为题主问的是初入金融行业,所以我推荐可以去参考一些企业或银行的债权募集说明书看一看,里面的基本分析和框架可以借鉴,有价值。
2:还有就是,个人经验,不要拿来就用各行业高度概括的数据(aggregate data)分析行业的财务等指标,土方法是自己亲自做几个同行业企业的财务分析(自己选几个同行业的公司,上市的发债的都可以,网上下年报或审计报告),做着做着对这个行业的感觉就来了(peer comparison的思路)。有时候一份好的审计报告或年报,可以学到不少这个行业的干货。
识别行业的价值与驱动因素,更好的了解行业。一般可以从价值链的角度分析:
价值链不同环节的重要性和整合性因行业不同而不同。驱动因素的识别主要去看哪一个环节对于这个行业的利润增长有最大的影响。如奢侈品类时装的驱动因素包括:可支配收入及品牌(营销);一般类时装品牌的驱动因素则集中于成本控制与效率(供应链管理,存货管理,分销渠道等)。再比如矿企,自有矿藏是否充裕,质量如何等等。
这一块我不是行家,不班门弄斧了,建议多与这个行业的参与者交流。
需要说明的是:这里我们谈到的企业价值对于权益类来说很重要,对于信贷来说现金流更重要。
现金流这块主要是从银行角度看的。影响现金流的因素取决于行业的特征,如应付和应收账款类驱动因素是由行业特征和运营方式等决定的,如:
有强势地位的企业:长期且宽松的支付条款,导致大规模的应付帐款,现金流或变好
某些细分行业:Daewoo(大宇造船),周期长,客户少,导致客户支付条款苛刻,应收高,现金流或变差
其他影响现金流的因素还包括:存货,资本支出 (CapEx),SG&A费用,预收预付款等。
这些都需要具体行业具体分析,不能一概而论。举个简单的例子就是:同样都是现金流,大宗商品贸易公司(Commodity Trader)的现金流(银行更多的用作sanity check)与一个传统制造业企业的现金流是没有可比性的。
考虑了上面的因素后,一个简单的行业分析报告包括(这次不是框架了,是写报告的顺序):
当前的经济与行业发展:包括一些与行业关系较大的经济指标变动,相关法律法规的变化等,宏观角度
行业前景与趋势:可以分各个子行业来分析一些供需指标,利润边际,市场份额等,比如汽车类的话可以分Light Vehicles, Trucks, Auto Suppliers and Tyres来逐一分析
财务特征:行业整体利润率,资产负债表的稳健度,重点企业的股价与债券情况(如maturity),外部评级(三大和中国本土的),对应的CDS(信用违约互换)走势(如果有的话),近期行业收并购的情况,ABS(比如汽车行业的次级资产支持证券,这块目前发行最大的应该是福特汽车)等等。
行业特征:根据子分类,比如石油行业分整合型(IOM),国家型(NOC),独立(E&P),冶炼与分销(R&M)及服务(OFS)等,可以有个大概的风险收益评估。
总之,行业分析复杂,一两句话无法说全面。这里仅提供分析的框架和思考的角度,之后有时间再更新。
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
长短期记忆网络(LSTM)作为循环神经网络(RNN)的重要改进模型,凭借其独特的门控机制(遗忘门、输入门、输出门),有效解决了 ...
2026-04-08在数据分析全流程中,数据质量是决定分析结论可靠性的核心前提,而异常值作为数据集中的“异类”,往往会干扰统计检验、模型训练 ...
2026-04-08在数字经济飞速发展的今天,数据已渗透到各行各业的核心场景,成为解读趋势、优化决策、创造价值的核心载体。而数据分析,作为挖 ...
2026-04-08在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30