用平均值法预测营收时，极端年份数据是否剔除取决于该数据反映的是一次性冲击还是结构性变化。一次性冲击（如金融危机、疫情短期停工）应剔除或调整，而结构性变化（如行业政策红利、技术颠覆）则需保留并更新模型基准。
极端数据对平均值法的影响
平均值法对极端值非常敏感。例如，一家公司正常年营收在100亿元左右，若某年因金融危机骤降至60亿元，简单5年平均值会被拉低至92亿元，导致未来预测偏低。反之，若某年因政策红利飙升至150亿元，平均值会被抬高至110亿元，高估后续营收。关键区别在于：一次性冲击会在1-2年内恢复，剔除后能还原真实趋势；结构性变化会永久改变营收水平，保留才能反映新常态。
以本章恒瑞医药为例（平稳增长期），其营收年增速在10%-20%之间，无极端波动，因此直接使用5年平均值预测未来营收是合理的。但若遇到2018年“4+7”带量采购政策对仿制药营收的冲击，这就属于结构性变化——集采导致价格永久下降，后续营收不会恢复至此前水平，此时应保留该年份数据，并改用政策实施后的短周期（如3年）平均值重新建模。
识别一次性冲击与结构性变化
投资者可通过以下步骤判断极端事件性质：
- 分析事件根源：金融危机、自然灾害、贸易战关税是典型一次性冲击，通常伴随外部宏观环境骤变，且公司基本面未发生永久改变。
- 观察恢复路径：查看事件后1-2年的营收是否回归趋势线。若回归，则为一次性冲击；若持续偏离，则为结构性变化。
- 验证行业环境：结构性变化往往伴随行业规则改写，如监管禁令、技术替代（功能手机向智能手机转变）、龙头格局重塑。一次性冲击则事后行业格局基本不变。
处理建议：
- 对于一次性冲击：直接剔除该年份数据，或使用中位数法、截尾平均值（如去掉最高最低各10%）替代简单平均值。
- 对于结构性变化：保留数据，但缩短统计窗口（如从5年改为3年），并以后续年份为基准重新预测。
常见问题
剔除极端年份后，平均值法预测的误差会减少多少？
没有通用比例，但多数情况下剔除一次性冲击后，预测值与实际值的偏差可降低30%-50%。具体取决于极端值的偏离幅度和年份权重。建议对比剔除前后的预测结果，并回测历史数据验证。
如果极端年份既有一次性冲击又有结构性变化，如何处理？
先分解影响：例如，2020年疫情（一次性冲击）叠加某行业监管收紧（结构性变化）。此时应剔除疫情对当年营收的短期冲击（可参考行业平均恢复曲线），同时保留监管政策生效后的数据，并调整后续预测基准。
对于一些周期性行业（如钢铁、煤炭），平均值法是否适用？
适用，但需要做周期调整。周期性行业的营收波动本身是常态，而非极端值。建议使用完整周期（通常3-5年）的平均值，并剔除周期顶点和底部的最高最低值各一年，以平滑波动。若只截取上行期，会高估长期营收。
简短总结：处理极端年份时，一次性冲击数据应剔除或调整，结构性变化数据应保留并更新模型。平稳增长期的公司（如恒瑞医药案例）可直接使用平均值法。投资者需结合事件性质、恢复路径和行业环境综合判断，避免机械套用平均值导致预测失真。
常见问题
剔除极端年份后，如何验证新平均值是否更准确？
回测历史数据：剔除某次一次性冲击的年份后，用剩余数据计算平均值，并对比该冲击年份之后实际营收。若预测值与实际值偏差显著缩小，则调整有效。也可以同时计算中位数作为参照。
哪些行业更容易出现需要剔除的极端年份？
消费、医药、公用事业等稳定行业极端年份较少；周期性行业（钢铁、化工）、科技行业（受技术迭代影响）以及政策敏感行业（教育、地产）出现极端年份的概率更高。投资者应重点关注这些行业的宏观事件和监管动态。
平均值法之外，还有什么方法能更稳健地处理极端值？
中位数法和截尾平均值法（去掉两端各10%数据后取平均）对极端值更不敏感。对于有明显趋势的营收数据，还可以使用加权移动平均法，给最近年份更高权重，降低历史极端值的影响。