第四部分 · 华尔街的预期机器：买方 vs 卖方在找什么
向前建模：怎么预测下一年的财报
上一课给了你盈利模型的骨架；现在要把它向前推。近两年平滑增速可以做基准比较，却不能替代驱动、产能、单位经济、资产负债表和情景。一个模型不是「更敢报一个点」，而是一条能被核对、能在新证据出现时更新的推理线。
本课路线
(1) 明确预测用途；(2) 预测驱动而非直接推 EPS；(3) 预览业务模型分支并链接第 17–24 课；(4) 用外推与衰减路径检验边界——外推既可能高估也可能低估；(5) 把三表勾稽、情景和敏感度接回来。
不是投资建议。一、先问：预测，到底为了什么
动手建模之前，先想清楚目的——否则你会掉进「把小数点后两位算得很精确」的陷阱。预测不是为了预言未来（未来不可知，《市场的逻辑》第 13 课那把 DCF 的误差棒还记得吧）。它只有两个真实用途：
① 定位你的预期差你建一个 forward 模型，是为了得到一个「我认为下一年会怎样」的数，好和一致预期去比——差在哪、差多少，就是你的 edge（下一课的主角）。模型是找差的工具，不是终点。
② 检验价格隐含的预期反过来用：市场当前价格隐含了怎样的未来（多高的增长、多久的高回报）？把那套隐含假设摆出来，问一句「它现实吗、兑现得了吗」——这比你自己拍一个数更有用。
所以：结构 > 精度模型的价值在于结构对、假设诚实、误差棒清楚，不在于点估计有几位小数。一个装作精确的点预测，比一个诚实的区间更危险。
二、第一原则：预测驱动，不要预测结果
最常见的错误，是直接对结果（净利润 / EPS）套一个增长率往前推。这是反的。EPS 是一条链的最后一环：
收入 → 毛利率 → 费用（经营杠杆）→ EBIT → 利息 / 税 → 净利 ÷ 股数 → EPS
你要 forecast 的是链条最前面的驱动（输入），然后让三张表把结果拼出来。为什么？因为一个笼统的增长率，把毛利率的变化、经营杠杆（收入涨 10% 利润可能涨 30%，第 05 课）、股数的增减（回购/稀释，第 12 课）、税率利息全揉成了一个数、藏起了所有的杠杆——而那些杠杆，恰恰是你该有观点的地方。
收入通常能回到客户/单位数 × 每单位变现，但具体定义取决于 business model；不能把每家公司都硬塞进同一个「量 × 价」。下面先预览几棵驱动树：
依赖说明 · 这是预览，不是假装已经学过
NRR、同店销售、take rate、产能利用率和 NIM 的定义与陷阱，将在
第 17 课《没有万能指标》及第 18–24 课按生意类型展开。本课只教
模型结构：先确认指标定义与数据来源，再把它接到报表；若尚未完成后面的分支课，可先用「客户/单位数 → 每单位收入 → 利润率 → 投入资本」的通用树。
SaaS期末 ARR可近似为 期初 ARR × NRR ＋ 年内新增 ARR；这不是收入公式。收入还取决于签约/流失发生时点、合同期限与收入确认，必须做 ARR→收入桥。
零售收入可拆为 存量店收入 ×（1＋同店增速）＋ 新店按开业时点贡献。不能再把「单店收入」乘一次同店增速，也不能用期末店数冒充全年平均店数。
周期股销量 ≈ 可用产能 × 利用率 × 收率，收入 ≈ 销量 × 已实现价格；还要核对库存变化、合同价与现货价滞后。
平台 / 银行平台收入可从 GMV × take rate 起步，再处理净额/总额确认。银行则分开：净利息收入≈平均生息资产×NIM；拨备≈平均贷款×信贷成本，之后再接非息收入、费用与税，不能把它们混成「收入」。
一句话：读过去和推未来应使用同一套、定义不变的驱动。若公司改了 KPI 定义、收购改变了合并范围或只有期末存量数据，就先做口径桥，不要把不可比序列直接外推。
三、动手：外推 vs 衰减建模台
现在正面回答你的问题——「用 2 年平滑增速？」下面这台机器把一家公司的收入向前推 6 年，两种画法并排：红线是「拿当前（近两年平滑）增速一路外推」；蓝线是「让增速按经验逐年衰减回长期水平」，外加一个 bear/bull 情景带。
模型卡 · 路径生成器，不是经验定律
收入起点固定为 100；红线按当前增速复利六年；蓝线按
gₜ=g长期+(g当前−g长期)(1−衰减率)ᵗ 生成。情景带只改变起始增速，并未模拟毛利率、资本需求、概率或相关性。所有参数均由你设定、未用历史样本校准；输出是收入指数，不是预测区间的置信度。真实模型必须用公司披露、行业容量与 base rate 约束这些输入。
玩过就明白：2 年平滑增速可以做比较锚，但一路外推不是驱动模型。即使两条路径差得很小，也仍要解释客户、价格、产能、会计口径和资本需求；图形接近不能替代因果证据。
四、平滑外推的四个陷阱，与一个「好模型」的五个成分
为什么一路外推会错？四个陷阱，每一个都对应前面某一课：
陷阱一 · 持续性必须被证明竞争、渗透率和基数常使高增速放缓，但衰减速度不是常数。把「逐步衰减」当作待检验的基准情景，再用市场容量、cohort、合同和产能证据支持偏离，而不是宣称某条经验路径必然发生。
陷阱二 · 周期股在顶部对周期股，近两年平滑增速可能取在周期顶——外推等于假设永远在顶（第 22 课低 P/E 陷阱）。周期股要用穿越周期的正常化，不是趋势外推。
陷阱三 · 规模的地心引力大数定律：一家两千亿收入的公司几乎不可能长期维持 30% 的增长。增速随体量下降——基数越大，越要往下调。
陷阱四 · 收入 ≠ 利润经营杠杆让利润增速偏离收入增速（第 05 课）；股数还会因回购/稀释变化（第 12 课）。只推一个「增速」会把这些全抹掉。
那么一个真正好的模型长什么样？不是更精确，而是结构对、假设诚实。五个成分：
1驱动树：先用通用树，再按
第 17 课的业务分支替换成可核对的 NRR、同店、产能利用率或 take rate；保留定义、单位与数据来源。
2base-rate 衰减：增速、利润率都往长期均值衰减，用经验规律（增长的持续性、行业均值），不要外推、不要一厢情愿。
3三表向前勾稽：增长需要营运资本和资本开支来支撑（第 09 课）——一个只涨利润表、不配套资产负债表与现金的预测是幻想。向前也要检查 FCF 和资产=负债+权益。
4情景，而非点：做 bear / base / bull 三套，各自内部自洽（每套是一个连贯的故事），因为未来是一个分布，不是一个数。
5敏感度：找出对结果影响最大的那 1–2 个假设（第 13 课：模型对少数关键假设极敏感），把研究精力全砸在验证它们上，其余别纠结小数点。
至于「预测多远」——你问的 16 个月，大约是五六个季度：近端（4–6 个季度）你有真实的抓手（在手订单/RPO、指引、季节性），可以按驱动、按季度细推；再往后就交给 base-rate 衰减，别假装能算准第八个季度。近端靠驱动与指引，远端靠衰减与均值。最后，把你的 base 情景摆到一致预期旁边——那道差，配上情景给的误差棒，就是下一课买方要下注的东西。
五、常见误解
- 误解：用近 2 年平滑增速一路外推，是个稳妥的模型。 （澄清：它是比较锚，不是驱动模型。高增长或周期顶部可能高估；低谷也可能低估。先识别业务驱动、周期位置与口径变化，再设衰减和情景。）
- 误解：模型算得越精细、小数点越多，越准。 （澄清：未来不可知，精度是假象。价值在结构对 + 假设诚实 + 误差棒清楚；一个装精确的点估计比一个诚实的区间更危险。做情景，别做单点。）
- 误解：直接预测净利润/EPS 的增长最省事。 （澄清：EPS 是链条的最后一环。要 forecast 驱动（收入=量×价、毛利率、费用、股数），让三张表拼出 EPS——直接推 EPS 会藏住经营杠杆、稀释、税率这些你最该有观点的地方。）
- 误解：预测就是为了「猜对未来」。 （澄清：预测是为了定位你 vs 一致预期的差，以及检验价格隐含的预期现不现实——是找预期差的工具，不是水晶球，下一课把它变成下注。）
- 误解：只推利润表就够了。 （澄清：增长要靠营运资本和资本开支喂（第 09 课）。只涨利润表、不配套现金与资产负债表的模型是幻想——三张表向前也要勾稽。）
一句话带走
预测是为了暴露假设、比较一致预期和检验价格隐含条件。先用通用驱动树，再按
第 17 课的业务分支替换成定义清楚的 KPI；ARR 不等于收入、期末店数不等于全年平均、银行 NIM 不等于全部收入。平滑外推与衰减都只是情景；真正的模型还要三表勾稽、保留数据口径、给出边界并随新证据更新（
主线三）。
下一步
一个 base 情景不是概率分布。第 15 课会把驱动差放进多个情景；
《估值》14则从价格反推
相容的假设集合，避免把增长、利润率和持续期误解为可由一个价格唯一识别。