信息质量决定了估值的天花板
所有估值方法都建立在一个前提上：你能拿到的财务数据基本可信。
A股市场上，这个前提并不总是成立。小市值公司的财务报表质量参差不齐，关联交易、收入确认时点调节、费用资本化等手段，都能让报表看起来比实际情况好。如果你分析的公司存在这类问题，估值模型算出来的数字会系统性偏高。
判断数据可信度的方法：交叉比对经营现金流和净利润。如果连续三年净利润增长但经营现金流原地踏步甚至下降，报表的真实性需要打问号。
成长股估值对假设的敏感度高到危险
DCF模型估一家成长股，永续增长率从3%改到5%，估值变化可能超过40%。对于还没有盈利的早期公司，利润假设本身就是猜测——用猜测的输入算出精确的输出，这个精确是假的。
边界规则：当你发现估值结果对某一个假设特别敏感时，不要试图"选一个最合理的值"，而是承认这个维度上你没有足够的判断力。把这个不确定性写进结论里，而不是藏在模型深处。
周期股的估值陷阱
周期行业在利润高点时PE最低，在利润低点时PE最高。如果你机械地用PE筛"低估值"股票，大概率会在周期顶部买入一堆看起来便宜的周期股。
这个陷阱的根源是PE分母——当期利润——不代表可持续盈利能力。《公司价值分析》的方法论在面对周期股时需要做一个关键调整：用正常化利润替代当期利润。正常化利润是一个完整周期（通常5-7年）的平均利润水平。
如果你不清楚这家公司所在行业的周期位置，用PE做判断就是在赌博。
估值不能替代商业判断
估值框架解决的是"如果这家公司未来表现如我假设的那样，当前价格值不值"。但"这家公司未来会不会表现如你假设的那样"，估值模型回答不了。
商业模式的崩塌、管理层的失误、行业技术路线的替代——这些风险无法被折现模型捕捉。再精确的估值，也不能保护你免于买到一个正在衰落的生意。
退出信号：如果你发现自己花了80%的时间调模型参数，只花了20%的时间思考这家公司的竞争力和商业前景，方法使用的优先级已经反了。估值模型是工具，不是替代品——它替代不了你对这门生意的判断。