收益：
- 能够使用 AI 配置和执行贴现现金流 (DCF) 和乘数方法的步骤
- 能够通过人工智能测试贴现率、增长率和终值等关键假设对结果的影响
- 能够以敏感性和合理性控制质疑人工智能产生的估值结果
估值是“这家公司或资产值多少钱？”这是对问题答案的系统搜索。这个问题是收购、合作、首次公开募股或投资决策的核心。估值有两大类： 现金流贴现（DCF），即将公司未来产生的现金折算为当前价值；倍数，即根据同类公司的市值进行比较。人工智能极大地加快了估值速度：它配置 DCF 步骤、贴现现金流、计算终值并生成敏感性表。但估值的残酷现实是，结果对一些关键假设极其敏感。将折扣率更改一个百分点可以使价值移动数十个百分点。所以AI产生的并不是单一数量的值，而是基于假设的一系列值，这就是实际的输出。
在本单元中，我们将学习使用人工智能执行DCF和乘数方法的步骤，测试关键假设对结果的影响，并检查估值结果的合理性。
概念： DCF：使用贴现率将未来现金流量贴现至当前现金流量的方法。贴现率：用于计算未来货币现值的比率；反映了风险。终值：预测期后所有现金流量的汇总。乘数：市场价值除以财务数量（利润、EBITDA、营业额）的基准比率。 EBITDA：息税折旧前利润。
DCF的步骤
DCF看似复杂，但其逻辑却是环环相扣的。让人工智能逐步构建这条链既提供了透明度，也更容易隔离错误。
步骤
该怎么办
关键假设
1、现金流量预测
未来5年的自由现金流
增长、利润率
2. 折扣率
确定反映风险的比率
资本成本
3. 减少
每年的现金提取到今天
贴现率
4. 终值
5年后总结
终端增长
5. 总计
减少值+终端
所有的组合
关键事实：通常超过一半的 DCF 值来自终值。终值对折现率和终增长率之间的微小差异极其敏感。这两个假设是DCF最脆弱的点，必须进行敏感性分析。
注意：告诉人工智能“评估这家公司”并获得单一数字违背了评估精神。如果折扣率为 13% 而不是 11%，则价值可能会下降 25%。奇数会产生误导性的精度；正确的输出是合理假设范围内的一系列值。
利用 AI 构建 DCF
DCF框架提示：“为一家公司设立5年期DCF。输入：第1年自由现金流2000万美元，年增长率8%，贴现率14%，终端增长率4%。分别显示步骤：(1)5年现金流，(2)每年贴现值，(3)终值加贴现值，(4)公司总价值。编写公式，常量嵌入。”
敏感性矩阵提示：“为相同的 DCF 构建一个双变量敏感性表：行中的折扣率（12%-16%，1 点步长），列中的终端增长（2%-5%，1 点步长）。在每个单元格中显示公司总价值，并评论该值对这两个假设的敏感程度。”
乘数估值提示：“用乘数法对一家公司进行估值。其 EBITDA 为 3000 万土耳其里拉。类似公司的 EV/EBITDA 乘数在 6x-8x 范围内（将此范围视为“所需资源”）。以此范围计算公司的公司价值带，并以与 DCF 结果相当的格式给出。”
合理性检查提示：“检查您找到的DCF值如下：（1）所得值对应公司年度EBITDA的多少倍，这个乘数根据行业是否合理？（2）终值占总价值的百分比是多少？如果超过80%，请解释为什么有风险。（3）折现率比终值增长高多少；如果差异很小，则警告。”
弱提示/强提示
弱者：“这家公司值多少钱？” （结果：一个不受支持的数字；哪种假设、哪种方法不清楚。） 强：“建立具有 5 年自由现金流、14% 折扣和 4% 终端增长假设的 DCF，显示步骤；然后添加折扣和终端增长的敏感性矩阵，并将终端价值报告为总额的份额，这样我就得到了一个价值带，而不是一个数字。”
迷你箱
情况 1——终值权重。一位分析师用 DCF 对一家公司的估值为 2.4 亿土耳其里拉。当它运行合理性提示时，终端会看到该值是总数的 86%。因此，几乎所有的价值都是基于未来 5 年的增长假设。当分析师将终端增长率从 4% 降低到 3% 时，价值从 240 亿下降到 2.05 亿。该决定是通过明确报告此漏洞来做出的。
案例 2 — 两种方法合二为一。在购买估值中，DCF 给出 1.8 亿里拉，乘数法（6x-8x EBITDA）给出 180-2.4 亿里拉的范围。两种独立方法的重叠增加了置信度； DCF 位于该范围的下端这一事实表明 DCF 假设相对保守。通过比较这两种方法，分析师提供了一个现实的谈判范围。
情况 3 — 不可能的差异。 DCF中，AI取贴现率为5%，终端增长率为4.5%；由于差异如此之小，最终价值就会爆炸，公司价值就会变得高得离谱。在他的合理性检查中，分析师发现这种差异非常狭窄：如果贴现率仅略高于增长，那么从数学角度来看，终值就被过度夸大了。一旦假设变为现实，该值就会恢复正常。
提示：请务必将 DCF 与乘数法结合使用，而不是单独使用。如果两种独立的方法收敛，你的信心就会增加；如果它们相距很远，那么至少其中一个的假设就有问题。
估值黄金法则
估值不是精度的问题，而是判断力和范围的问题。使用人工智能时要遵循三个原则：
- 区间，而不是单个数字：将每个估值转换为合理假设范围内的区间。
- 拥有假设：不要让AI选择贴现率和增长；你决定并证明它的合理性。
- 交叉验证：比较DCF和乘数；巨大的分歧是一个警告。
常见错误
- 用一个数字来估价。没有敏感性给出的值是具有误导性的准确值。
- 忽略终值的分子。如果大部分价值来自终端，那么风险就存在。
- 贴现与增长差距缩小。从数学上来说，微小的差异会夸大最终价值。
- 将猜测留给人工智能。贴现率是一种判断；必须有来源和理由。
- 对一种方法感到满意。不比较 DCF 和乘数会使错误不可见。
总之
估值是一个判断问题，它将未来的现金转化为当前的现金（DCF）或与同行进行比较（乘数）。人工智能很快就确定了步骤，但结果对几个关键假设极其敏感，尤其是贴现率和终端增长。使用敏感度矩阵生成一系列值，而不是单个数字；检查终值在总价值中所占的份额；请务必使用乘数方法交叉验证 DCF。避免估值确定性的错觉。
应用任务
让 AI 安装 5 年 DCF；您给出现金流量、贴现率和终端增长假设，并单独显示步骤。然后求贴现率和终端增长的双变量敏感性矩阵。运行合理性检查提示并评估终值在总额中所占的份额以及折扣增长差异。最后，使用 EBITDA 乘数区间评估同一家公司，并将其与 DCF 结果进行比较。
清单
- [ ] 我分别展示了 DCF 步骤（现金流、折扣、终端、总计）。
- [ ] 我自己确定并证明了贴现率和终端增长。
- [ ] 我构建了一个二变量灵敏度矩阵。
- [ ] 我检查了终值占总价值的比例。
- [ ] 我验证了折扣增长差异是合理的。
- [ ] 我用乘数法交叉验证了 DCF。
- [ ] 我将结果呈现为值带，而不是单个数字。