简诗 AI 可比公司估值分析

解决什么问题

手动做可比公司估值（Comparable Company Analysis，简称 comps）时，常见三类问题：

• 数据来源混乱：网页搜索、终端数据、财报混用，缺乏可追溯的审计路径，机构级分析的可信度大打折扣。
• 公式与硬编码混杂：把毛利率、估值倍数直接粘贴为固定数值，一旦输入变化，整个模型静默失效，错误难以定位。
• 结构缺乏逻辑：堆砌一堆指标，没有统计基准（如中位数、四分位数），读者看不出公司在同行中的真实定位。

@user_fccf428b/comps-analysis 针对这三类问题，用一套可复用的结构规范和严格的数据源优先级来重建 comps 分析流程。

核心能力与关键步骤

严格的数据源层级

技能要求按优先级选择数据源：

1. 优先 MCP 数据源：若环境提供 S&P Kensho MCP、FactSet MCP 或 Daloopa MCP，必须用它们获取财务和交易数据。
2. 禁用网页搜索：有 MCP 时，一律不用 web search。
3. 兜底方案：MCP 不可用时，才使用 Bloomberg Terminal、SEC EDGAR 档案等机构来源。
4. 禁止网页搜索作为主数据源：因其缺乏机构级分析所需的准确性、审计追踪和可靠性。

结构化的 Excel 输出

核心原则是“先搭结构，让数据说话”。输出是结构化的 Excel/表格，包含：

• 经营统计与财务指标：公司、收入、收入增长率、毛利、毛利率、EBITDA、EBITDA 利润率等核心列；按行业可选加自由现金流、Rule of 40 等。
• 估值倍数与投资指标：市值、企业价值（EV）、EV/收入、EV/EBITDA、市盈率（P/E）等；可选 PEG、FCF Yield、ROE 等。
• 统计基准块：对可比较的指标（比率、利润率、增长率、倍数）自动添加最大值、75 分位、中位数、25 分位、最小值，且不添加“行业统计”或“估值统计”标题行。

公式驱动，分步验证

• 所有派生值（利润率、倍数、统计量）必须用 Excel 公式引用输入单元格，绝不能用预计算的数值粘贴；只有原始输入数据（收入、EBITDA、股价等）是硬编码，且每个都要加单元格注释说明来源。
• 在 Excel 环境中用 Office JS 直接写公式（如 range.formulas = [["=E7/C7"]]），在生成独立 .xlsx 时用 Python/openpyxl 写公式字符串（如 cell.value = "=E7/C7"）。
• 分步与用户确认：搭好结构先展示表头，填完原始输入先确认来源和期间，算完经营指标先做合理性检查，再做估值倍数，避免端到端做完才发现问题。

适用边界与注意点

• 数据源依赖：没有 MCP 且 Bloomberg 等机构终端也不可用时，只能退而求其次，但仍需在笔记中明确数据来源和验证方式。
• 不替代投资判断：技能提供的是分析框架和透明计算，最终的投资决策需要结合行业知识、定性判断和风险偏好。
• 行业适配性：核心指标只是起点，科技巨头和新兴 SaaS 公司需要的指标完全不同，需根据行业上下文调整；用户上传的模板或明确偏好始终优先于默认样式。
• 公式与格式的平衡：公式优先于硬编码，但视觉风格和格式规范是可选的，用户提供的模板或公司风格指南优先。

最终输出应该是一个“别人没做过的人也能立刻看懂”的 comps 表，而不是一个看起来像机构模板但没人敢用的空壳。