aifinlab/a-share-dcf

数据源

SCRIPTS="$SKILLS_ROOT/cn-stock-data/scripts"

# 历史财务指标（收入/利润/折旧/资本开支/营运资金等）
python "$SCRIPTS/cn_stock_data.py" finance --code [CODE]

# 最新行情（市值、股价，用于 WACC 和对比）
python "$SCRIPTS/cn_stock_data.py" quote --code [CODE]

# 行业可比公司行情（用于 Beta/WACC 参考）
python "$SCRIPTS/cn_stock_data.py" quote --code [COMP1],[COMP2],[COMP3]

补充：通过 web 搜索获取：

• 无风险利率（10 年期国债收益率）
• 行业 Beta 参考值
• 公司债务成本（如有公开债券）
• 分析师收入/利润预测（用于交叉验证）

Workflow

Step 1: 数据收集

1. 通过 cn-stock-data finance 获取过去 3-5 年财务数据
2. 通过 cn-stock-data quote 获取当前市值
3. Web 搜索：10 年期国债收益率、公司有息负债利率

Step 2: 历史分析

分析过去 3-5 年的关键财务趋势：

• 收入增速趋势
• EBIT/EBITDA 利润率趋势
• 资本开支/收入 比率
• 营运资金/收入 比率
• 折旧摊销/收入 比率
• 有效税率

Step 3: 收入预测

• 基于历史趋势 + 行业增速 + web 搜索的分析师预期
• 预测期：通常 5 年（高增长公司可延长到 7-10 年）
• 构建 Base 情景，可选 Bull/Bear

Step 4: 利润率与费用建模

• 毛利率预测（基于历史趋势 + 竞争格局判断）
• 运营费用率预测
• EBIT/EBITDA 推导
• 折旧摊销预测（基于历史比率或资本开支的固定比例）
• 资本开支预测
• 营运资金变动预测

Step 5: 自由现金流(FCFF)计算

FCFF = EBIT × (1 - 税率) + 折旧摊销 - 资本开支 - 营运资金增加

Step 6: WACC 计算

A 股 WACC 参数:
- 无风险利率 Rf: 10 年期国债收益率（web 搜索获取，通常 2.5%-3.5%）
- 市场风险溢价 ERP: A 股通常取 5%-7%（高于美股的 4%-6%，反映新兴市场溢价）
- Beta: 优先用 web 搜索获取；若不可用，取行业平均或根据公司特征估计
- 股权成本 Ke = Rf + Beta × ERP
- 债务成本 Kd: 公司实际借款利率或同类公司债利率
- 税率: A 股一般企业 25%，高新技术企业 15%
- WACC = Ke × (E/(E+D)) + Kd × (1-T) × (D/(E+D))

Step 7: 终值(Terminal Value)计算

两种方法取平均或选其一：

• 永续增长法: TV = FCFF_最后年 × (1+g) / (WACC - g)
  • A 股永续增长率 g 通常取 2%-3%（GDP 长期增速预期）
• 退出倍数法: TV = EBITDA_最后年 × Exit Multiple
  • Exit Multiple 参考行业可比公司 EV/EBITDA 中位数

Step 8: 估值汇总与敏感性分析

估值桥:

FCFF 现值之和
+ 终值现值
= 企业价值(EV)
- 净债务（有息负债 - 现金）
- 少数股东权益
= 股权价值
/ 总股本
= 每股价值
vs 当前股价 → 上行/下行空间(%)

敏感性分析表（必须）：

1. WACC vs 永续增长率 → 每股价值
2. 收入增速 vs EBIT 利润率 → 每股价值
3. 可选：Beta vs 无风险利率 → WACC

输出

Excel 输出（formal 模式）

• Sheet 1 "DCF": 历史数据 → 预测数据 → FCFF → 折现 → 估值汇总 → 敏感性分析表
• Sheet 2 "WACC": 资本成本计算详细过程
• 格式规则：
  • 蓝色字体 = 输入假设
  • 黑色字体 = 公式计算
  • 所有派生值必须是 Excel 公式
  • 敏感性分析表每个单元格是完整公式（非线性插值）
  • 基准情景（中心格）用蓝色底色 + 粗体标注

Markdown 输出（brief 模式）

• 直接输出 Markdown 表格
• 包含：关键假设 → FCFF 预测表 → 估值结果 → 简化敏感性分析
• 在结果下方给出个人判断

风格说明

| 维度 | formal（机构 DCF） | brief（个人估值笔记） | |------|-------------------|---------------------| | 输出格式 | Excel (.xlsx) | Markdown | | 预测年数 | 5-7 年 | 3-5 年 | | WACC | 完整推导过程 | 直接给出假设值 | | 敏感性 | 3 张 5×5 表 | 1 张简化 3×3 表 | | 情景 | Base + 可选 Bull/Bear | 仅 Base | | 数据源标注 | 每个输入附来源 | 关键假设说明即可 | | 免责声明 | 需要 | 不需要 |

关键规则

1. 公式优先于硬编码：Excel 中所有计算值必须是公式，不硬编码数字
2. 假设透明：每个关键假设（增长率、利润率、WACC 参数）都必须明确标注
3. 合理性检验：
   • 每股价值 vs 当前股价差异 > 50% 时必须解释原因
   • 永续增长率不应超过长期 GDP 增速
   • 终值占比不应超过总价值的 75%（否则预测期不够长）
4. A 股特殊考量：
   • ERP 取 5%-7%（新兴市场溢价）
   • 注意限售股对总股本的影响
   • 部分行业有政府补贴，需判断是否持续
   • 关联交易可能扭曲利润，需调整
5. 不做精确预测：DCF 的价值在于理解价值驱动因素和估值区间，而非得出一个"精确"的目标价
6. 与其他 skill 联动：建议用 a-share-comps 的估值中位数交叉验证 DCF 结果

使用示例

示例 1: 基本使用

# 调用 skill
result = run_skill({
    "param1": "value1",
    "param2": "value2"
})

示例 2: 命令行使用

python scripts/run_skill.py --input data.json