收益：
- 能够利用人工智能清晰分离金融模型的假设层、驱动层和输出层
- 能够在人工智能支持下设置乐观/基本/悲观场景和单变量敏感性表
- 能够验证AI模型逻辑的循环引用、公式和假设一致性
财务模型是一种结构化的会计框架，用数字模拟公司或项目的未来。最简单的是，这是一个“提出一些假设，得到结果”的设置：当你改变增长率、成本率和投资金额时，利润、现金和价值会如何变化？一个好的模型由三个清晰的层组成：假设（您输入的数字）、驱动因素（将这些数字连接到输出的逻辑）和输出（利润、现金、利率）。人工智能通过多种方式加速建模过程：提出模型骨架、建立公式逻辑、复制场景、准备敏感性表。但模型最危险的错误是看不见的错误：不正确的公式、隐藏的循环引用或不一致的假设都会默默地使模型出错。这个单元的本质是检查AI构建的模型逻辑。
在本单元中，我们将学习分离模型的三层，设置乐观/基线/悲观场景和情绪表，并验证人工智能的模型逻辑。
概念： 假设：您手动输入模型的数字（例如增长 10%）。驱动程序：将假设与输出连接起来的公式逻辑。场景：一组假设的完全改变（乐观/基本/悲观）。敏感性分析：逐步改变单个假设并查看对输出的影响。循环引用：单元与其自身的直接/间接连接。
模型的三层
模型最重要的纪律规则是将假设与计算分开。假设收集在一个地方，账户与它们绑定；这样，当您更改假设时，整个模型就会一致更新。在让人工智能构建模型时强化这种区别。
层
内容
良好的设计规则
假设
增长、保证金、到期日、折扣、投资
一处，开放标签
司机
公式如收入=价格×数量
参考假设，没有固定的嵌入数
输出
利润、现金、利率、价值
它只是通过计算得出的，不是手写的。
提示：切勿将“固定”数字嵌入到模型的公式中（例如=营业额*0.55）。相反，将 0.55 放入假设单元格并引用它。这样，当假设发生变化时，模型从单点更新，您可以轻松捕获 AI 嵌入的隐藏常量。
剧本与感性
场景和敏感性是不同的东西，可能会混淆。该情景同时改变了多个假设（在悲观的世界中，增长下降，成本增加）。敏感性隔离单个假设并衡量其对产出的影响（如果仅贴现率发生变化，价值将如何变化）。它们一起显示了模型的脆弱之处。
模型骨架提示：“为 SaaS 公司建立一个简单的 3 年收入-利润模型。分层：(1) 假设（起始客户 500，每月增长 4%，每月订阅 1,200 土耳其里拉，毛利率 78%，每月固定费用 90 万土耳其里拉），(2) 驱动因素（客户数量、收入、费用公式），(3) 输出（每月收入、毛利润、营业收入）利润）不要在公式中放入常数，只需假设一切。”
场景提示：“在此模型中添加三种场景。基础：给定假设。乐观：月度增长 6%，利润率 80%。悲观：月度增长 2%，利润率 72%，固定费用增加 10%。并排列出三种场景的 36 个月营业利润。”
敏感性表提示：“显示第36个月营业利润对月增长率的敏感性。以1个点为步长将增长率从1%更改为7%，保持其他假设不变，并在表中记录每一步的利润。用一句话总结利润对增长的敏感性。”
模型审核提示：“您构建的模型中：（1）公式中是否嵌入了非假设的固定数字？（2）是否存在循环引用风险？（3）单位是否一致（月/年、TL/千TL）？逐项报告您发现的每项风险。”
弱提示/强提示
弱者：“给我一个三年期的财务模型。” （结果：混合层计算，嵌入常量，难以审计。） 强：“构建一个 3 年模型，具有单独的假设/驱动/输出层，公式中没有固定嵌入，增长和利润假设可以在一个地方更改；然后添加增长敏感度表并检查模型中循环参考和单位不一致的风险。”
迷你箱
情况 1 — 嵌入常量的成本。分析师将 AI 构建模型中的利润率从 78% 降低至 75%，但营业利润变化小于预期。当他运行控制提示时，他看到成本公式基于嵌入的 0.22 常数，而不是假设。即使边距单元格发生更改，公式也会使用旧值。当基于固定假设时，模型会正确响应。
案例 2——价值脆弱。在投资决策模型中，基本情景看起来很有吸引力。当分析师建立敏感性表时，他发现当增长率从 5% 降至 3% 时，营业利润会减半。因此，该模型的全部吸引力取决于单一的乐观增长假设。这种认识将决策从“肯定是”转变为“在确认增长之前要谨慎”。
情况 3 — 循环陷阱。在借贷模型中，利息费用取决于债务余额，债务余额取决于现金需求，现金需求取决于利息。安装AI时，出现循环引用，Excel给出警告。分析师没有关闭警告并继续，而是修改逻辑并打破链条来计算上期余额的利息。因此，结果既准确又可追溯。
注意：模型永远不能通过看起来不错的单一场景来证明其合理性。在不知道悲观场景中会发生什么的情况下，“在基本场景中非常有利可图”这句话不能成为做出决策的理由。在每个模型中，要求最不乐观/基本/悲观三元组以及对关键假设的敏感性。
模型检验的四个问题
向人工智能构建的每个模型询问以下四个问题：
- 有没有嵌入式固定？每个数字是基于假设还是嵌入到公式中？
- 单位一致吗？月度和年度、TL 和千 TL 是否混合？
- 是否存在循环引用？细胞是否与自身相连？
- 输出对假设的反应是否正确？当你改变假设时，输出会按照预期的方向改变吗？
常见错误
- 没有将假设与计算分开。当公式中嵌入常数时，模型无法控制并且反应不正确。
- 根据单一场景做出决定。在没有看到悲观情况的情况下做出的决定是有风险的。
- 关闭循环警告。警告是错误的标志，而不是需要保持沉默的烦恼。
- 跳过敏感度。如果不知道结果取决于哪个假设，则无法衡量模型的稳健性。
- 单位混乱。每月/每年和 TL/千 TL 差异会产生无声但巨大的错误。
总之
财务模型是一种用假设来模拟未来的会计框架，其力量来自于层次的清晰性。 AI框架快速构建场景和情感表；但它可能会引入看不见的错误，例如嵌入常量、循环引用和单位不一致。将假设与计算分开，为每个模型添加乐观/基本/悲观三元组和对关键假设的敏感性，一次提出四个审计问题。单一的良好场景并不能证明决策的合理性。
应用任务
让人工智能构建一个简单的 3 年收入-利润模型，分为三层（假设/驱动因素/输出），并且要求公式中不嵌入任何常数。添加三个乐观/基线/悲观情景，并将最新的营业利润并排放置。然后索取最关键假设（例如增长）的敏感性表。最后，运行模型检查提示并检查嵌入常量、循环引用和单位不一致，并记下结果。
清单
- [ ] 我将假设层、驱动层和输出层分开。
- [ ] 我验证公式中没有嵌入常数。
- [ ] 我设置了至少三个乐观/一些/悲观的场景。
- [ ] 我为关键假设添加了敏感性表。
- [ ] 我检查了循环引用。
- [ ] 我验证了单位一致性（每月/每年、TL/千 TL）。
- [ ] 我改变了一个假设并测试了输出响应是否正确。