不良资产估值全攻略：八大方法优劣一次看懂

假设清算法把 “债务人一旦清算，资产能卖多少钱”作为起点，再按法定偿债顺序把债权能拿回多少算一遍。

优点：对已破产或明显资不抵债的企业， 回收率算得又快又准，堪称“价值下限守护神”。

缺点：只看到清算值， 忽略持续经营可能带来的意外收益，如果企业还能挣扎，结果就会“偏保守”。

用债务人的 财务报表+非财务数据织一张“信用网”，先评级再套损失系数，最后算出回收率。

亮点：数据公开、模型成熟， 对仍在盈利或勉强续命的企业估值精度高。

隐忧：报表可能被粉饰、审计质量参差、会计政策各不相同， 任何一处失真都会放大到最终回收率。

在公开市场里捞三笔以上 债权形态、债务人、行业、规模都相近的成交记录，逐项打折扣、调系数，最后拼出目标价。

好处：逻辑直观、说服力强， 活跃市场里一用就灵。

坏处：中国不良资产交易“小而散”， 可比案例凤毛麟角，一旦找不到参照物，方法直接失灵。

把问卷发给多位专家， 背靠背打分→汇总→反馈→再打分，直到意见收敛。

特色：能把定性判断转化为量化回收率， 模糊问题也能给出相对客观的区间。

痛点：专家费贵、耗时长， 单笔债权用一次就亏一次，除非标的金额巨大才划得来。

在处置频繁的地区收集大量成交案例， 用统计软件把回收率与影响因子（如抵押率、行业景气度、企业规模）拟合成方程。

新包里的单项债权往方程里一套，秒出结果。

短板：需要足够多且真实的交易样本， 国内公开数据缺口大；建模、检验、编程门槛高， 普通评估师望而却步。

先搭指标体系，再两两比较建判断矩阵， 用1-9标度把“偿债意愿”“现金流稳定性”变成权重数字。

优势：信用贷款也能估值， 模糊问题也能拆成可计算模型。

劣势：国内纯信用贷款占比极低， 模型用武之地寥寥；一旦矩阵打分带主观偏见，结果直接失真。

把债权看成持有债务企业资产的 看涨期权：执行价=账面值，到期日=处置日。

若公司股价（净资产）↑而AMC选择债转股，期权继续升值； 若直接追偿，期权价值骤降。

瓶颈：理论模型深奥、参数需二次回归， 目前仅停留在PPT阶段。

用信息熵给多种单一方法分配权重， 把各自误差“稀释”掉。

理论很美：组合后的误差平方和小于任一单模型。

现实很骨感：对同一资产重复评估、报告滞后、成本陡增， 效率与钱包都不允许大面积落地。

1. 跨界组合资产难兼顾——债权+物权混搭的复杂包，现有方法几乎都“偏科”。
2. 高门槛模型用不起——期权、神经网络等需要深厚数学与编程功底，基层评估师望尘莫及。
3. 外部数据荒漠化——公开交易稀少、价格失真、信息不对称，再好的模型也缺粮草。
4. 经济性原则常被忘——多次评估、高额专家费、重复劳动，让“最贵”变成了“最亏”。