估值建模专家

它解决什么问题

传统估值流程里有三个反复出现的问题。

首先是单模型依赖：DCF 给出一个数，PE 给出另一个数，两者常常互相矛盾，分析师只能靠经验判断该信哪个，判断依据很难复现。其次是敏感性缺失：WACC、终值增长率 g 这类参数稍微动一下，估值就会明显漂移，手工做敏感性分析既耗时又容易算错。第三是只有点估计：蒙特卡洛模拟能给出估值概率分布，但计算量大，传统工具往往跑不完或等不起，用户最终拿到的仍是一个单点数字。

本技能的目标是把这三件事放进同一条流水线：多模型交叉验证、参数敏感性热力图、万次抽样的概率分布一次性输出。

它是怎么工作的

核心能力可以拆成四块：

• 估值引擎：DCF、PE、PB、PEG、WACC 五个模型并行计算，输出各自的估值结果与模型间分歧度，分歧超过阈值会触发提示。
• WACC 计算：基于 CAPM 推导股权成本 Re，再结合债务成本 Rd、税率 Tc 与资本结构权重得到加权平均资本成本。
• 敏感性分析：围绕基准参数生成 5×5 矩阵，观察 WACC ±2% 与 g ±1% 对估值的影响，结果以 SVG 热力图返回。
• 蒙特卡洛模拟：对 WACC 与自由现金流 FCFF 做拉丁超立方抽样，10000 次模拟后输出 P5/P25/P50/P75/P95 五档估值。

数据层通过 Tushare/AKShare 等适配器拉取财务数据，支持多源回退；计算层使用 NumPy 向量化运算，避免 Python 循环瓶颈。输入为 JSON 参数（标的代码、市场、风险偏好、输出格式等），输出同样是结构化 JSON，包含综合评分、评级、各维度指标与风险因子列表。

适用边界

几点需要注意：

• DCF 只适合自由现金流稳定可预测的成熟企业，对 WACC 和 g 极其敏感，参数变动 1% 可能导致估值变动 15%–20%。
• 当 WACC <= g 时终值发散，技能会降级处理并标注异常，不会硬给一个数。
• PE 在负 EPS 情况下失效，此时需要改用 PB 或其他方法。
• CAPM 依赖 beta，非上市公司没有市场 beta，只能取行业均值替代。
• 默认参数可以开箱即用，但面向实盘决策时，输入参数质量直接决定输出质量，建议先核对财务数据口径。