杠杆收购模型

痛点：手工 LBO 建模的隐性成本

在投资银行或私募股权的尽调与估值工作中，搭建一个逻辑严密的杠杆收购（LBO）模型往往耗时巨大。工程师和分析师不仅要处理繁杂的财务预测，还极易在资产负债表平衡、债务摊销瀑布以及循环引用（Circular Reference）中陷入泥潭。手动硬编码数值不仅破坏了模型的可审计性，更会导致敏感性分析失去动态联动能力。

核心能力与工作流

该技能通过标准化的工程化流程，将模型构建转化为可验证的脚本任务：

• 严格遵循模板：优先解析用户提供的 lbo-model.xlsx 结构，绝不凭空新建。若未提供，则回退到内置的标准模板，并严格保留原有的区块划分与命名规范。
• 公式驱动与色彩规范：所有计算必须以 Excel 公式形式写入，拒绝 Python 硬编码。遵循四色法则：0000FF 蓝色代表硬编码输入，黑色代表本地公式，紫色代表同表引用，绿色代表跨表链接。
• 闭环验证机制：完成构建后，依赖 scripts/recalc.py 通过无头 LibreOffice 强制重算，确保 IRR、MOIC 以及现金扫掠（Cash Sweep）机制的准确性，避免交付带有 #REF! 或循环错误的脏数据。

适用边界与避坑指南

• 环境依赖：该技能强依赖 LibreOffice 进行后台重算。若在纯浏览器环境（Office JS）中运行，需调整公式赋值逻辑并跳过重算脚本。
• 合并单元格陷阱：在写入数据时，必须先将值赋给左上角单元格，再执行合并与格式化，否则会导致数据丢失或读取异常。
• 非财务审计工具：该技能负责构建和校验模型的数学逻辑与结构完整性，但不会对底层商业假设（如收入增长率、退出倍数）的商业合理性提供投资建议。