creating-financial-models：把投行分析师的活全包了

做投行、PE、股票研究的人，几乎每天都在 Excel 里搭同一套东西。拉历史财报、设营收假设、算自由现金流、贴现回来得到企业价值。这套流程熟练工一天能搭一版，但重复、易错、改一个假设就得手动联动好几张表。Anthropic 出了个 Skill，名字直白，creating-financial-models，目标就是把这整套搬进对话里。

它不是某个第三方拼出来的玩具。这个 Skill 来自 Anthropic 官方的 claude-cookbooks，归在 custom-skills 目录下，现在也挂在 smithery.ai 上可以直接取。出处这件事我得先强调，因为金融建模最怕的就是逻辑不靠谱的工具，官方出品至少在方法论的规范性上有个底。

这篇文章会带你完整走一遍它的用法。从怎么把它装进 Claude，到喂什么数据、它怎么算、最后吐出什么，再到它内部那四个分析引擎是怎么配合的。我也会说清楚哪些场景它真能帮上忙，哪些场景你最好别全信它。

读完你应该能判断一件事：这个 Skill 到底是给你省时间的助手，还是又一个看着唬人、真上手就露怯的 demo。我的结论提前剧透一点，它比我预想的要扎实，但有它明确的天花板。

怎么把它装进 Claude

先说清楚它是什么形态。它是一个 Agent Skill，不是独立软件，也不是网页应用。本质就是一份 SKILL.md 指令加上几个 Python 脚本，丢进 Claude 能读取 Skill 的环境里，由模型在合适的时机自己调起来。所以前置条件有两个，一个能跑 Skill 的 Claude 环境，一个本地 Python。

获取方式有两条路。简单的是去 smithery.ai 上找到这个 Skill 直接装。想看源码就去 clone Anthropic 的 claude-cookbooks 仓库，把 creating-financial-models 这个文件夹整体放进你的 skills 目录。两种方式拿到的内容一样，区别只是你想不想看它底下的脚本实现。

它自带两个核心脚本，dcf_model.py 是完整的 DCF 估值引擎，sensitivity_analysis.py 是敏感性测试框架。这俩要跑起来得有 Python 计算环境，蒙特卡洛那部分涉及大量随机抽样和统计，numpy 这类库基本是刚需。装之前确认本地环境能跑科学计算栈，别等触发了才发现缺包。

第一个容易卡住的点，是它的触发方式。它不靠你敲命令，靠自然语言意图。你得明确说出建模需求，比如“给这家公司用附件财报搭一个 DCF”，模型识别到这是金融建模任务才会激活这个 Skill。如果你只是含糊地问一句估值多少，它未必会走这套流程。

一次完整的建模跑起来是什么样

把整个流程拉直了看其实就四步。你把财报和假设丢给它，它判断该用哪个引擎，跑计算，最后给你一份带完整模型的 Excel 工作簿外加一摞图表。听起来和你自己在 Excel 里干的事没差，区别在于联动和复算它全替你扛了。

第一步是喂数据，这步的要求比你想的严。光 DCF 它就要你给 3 到 5 年历史财报、营收增长假设、营业利润率预测、资本支出预测、营运资本需求，还有终值这块的永续增长率或退出倍数，以及折现率的三个组件，无风险利率、beta、市场风险溢价。少一样，模型就得拿假设去补,质量直接打折。

第二步是它建模。拿到输入后，它算出各年自由现金流，用永续增长法或退出倍数法两种方式算终值，求出加权平均资本成本 WACC，再把未来现金流贴现回来，得到企业价值，扣掉净债务给出股权价值。整条估值链路是 DCF 教科书的标准走法，没有偷工。

第三步是加不确定性，这是它比手搭 Excel 强的地方。敏感性分析会把关键假设拉成数据表，告诉你增长率和 WACC 各自动一动，估值跳多少，还能画龙卷风图给驱动因素排序。蒙特卡洛更狠，按你设的概率分布跑上几千次，常见是 1000 到 10000 次，最后给你一条估值的概率分布而不是一个孤零零的数。

要说坑，最大的一个不在工具在你。它的输出质量完全被你的假设质量锁死。它自己 SKILL.md 里第一条免责声明就是“模型再好也只和它的假设一样好”。你给一个拍脑袋的增长率，它会一丝不苟地把这个错误假设算到小数点后两位。它负责算得对，不负责替你想得对。

四个引擎背后的设计取舍

最值得拆的设计，是它把输入、计算、输出三层硬性分开。这是专业建模圈子里的铁律，乱建模的人才会把假设和公式搅在一个单元格里。这个 Skill 把分层写进了规范，假设集中、计算独立、输出干净，改一个数能清楚看到它怎么往下传导。这点很容易被忽略，但它恰恰是模型可维护性的命根子。

四个引擎也不是平行堆在一起的，它们是层层递进的关系。DCF 先给你一个基准估值，敏感性分析在这个基准上找出哪几个假设最致命，蒙特卡洛把这些假设的不确定性量化成概率，情景规划再往上拔，做最好、基准、最坏三套带概率权重的战略推演。从一个点，到一个范围，到一条分布，再到一组决策，逻辑是顺的。

它还内建了一套自动质量检查，这部分最能看出做这个 Skill 的人是真懂建模。资产负债表平不平、现金流能不能勾稽上、有没有循环引用、敏感性边界有没有越界、蒙特卡洛的统计结果稳不稳定，这五项它会自己查。建过三表模型的人都知道，平衡检查和循环引用是最折磨人的两件事，它把这两个痛点直接做成了自动项。

但有个地方我保留意见。它明面给的脚本只有 dcf 和 sensitivity 两个，蒙特卡洛和情景规划这两块更多是靠 SKILL.md 里的指令引导模型现场组织计算。这意味着 DCF 的可复现性最强，越往后越依赖模型当次的发挥。同一组输入跑两次蒙特卡洛，结果的口径能不能完全对齐，这点从文档里看不太出保证。

它最擅长和最不擅长的场景

它最顺手的场景是结构化的标准估值。一家现金流稳定的成熟公司，或者一家走 J 型增长曲线的科技公司，你把财报和增长假设给全，它能很快搭出一套带多情景的 DCF。从它支持的模型类型看，企业估值这块覆盖得最完整，成熟、成长、困境反转三类都点了名。

并购和杠杆收购也是它的射程范围。M&A 分析它能做收购估值、协同效应建模、增厚摊薄分析，LBO 这块能算 IRR、MOIC，还有债务承载能力评估。这些都是 PE 和并购组天天要算的东西，能用自然语言一句话起一个模型框架，确实省事。项目融资里的基建、地产、能源项目它也声称能接。

同样的需求，你给的输入颗粒度不同，输出根本不是一个档次。你把 5 年完整财报连同每一项假设都列清楚，它能给你一份能直接拿去复核的 Excel。你只甩几个孤零零的数字过去，它就只能拿大量默认假设去填，出来的东西更像一个估算草稿，能看趋势但不能拿去做决策。

它的边界也很清楚。它擅长的是有规范、有公式、有标准流程的估值。一旦遇到需要重行业判断的非标场景，比如一项早期生物科技资产该给多少风险折价，一块特殊地段的地价该怎么定，它给不出那种靠经验和行业 sense 才有的判断。它能把你的判断算成数字，但代替不了判断本身。

拆完文档之后我改了几个看法

第一个被改掉的看法，是我原本以为这种 Skill 大概率是套个对话壳，里面没什么真东西。直到我看它的输入要求清单。光一个 DCF 就要你交七八项规范化数据，连折现率都拆成无风险利率、beta、市场溢价三个组件单独要。一个只想糊弄的工具不会这么逼你按专业规范交数据，这个清单本身就是它认真的证据。

第二个看法，是关于估值该用一个数还是一条分布。传统手搭模型，绝大多数人最后交的就是一个目标价。但这个 Skill 把蒙特卡洛放在核心位置，逼着你面对一个事实，估值从来不是一个点，是一片概率云。

和自己在 Excel 里搭模型比，它的优势是复算和联动免费，质量检查自动化，缺点是你对每一个中间公式的掌控感会下降。手搭模型每一格都是你自己拉的，你清楚它的脾气。交给 Skill，你得信任它对方法论的执行，这种信任需要你先验证几遍才建立得起来。

最后一点反而让我对它更有好感。它的 SKILL.md 末尾老老实实写了一长串局限和免责声明，模型只和假设一样好、过往不代表未来、市场会突变、监管税务会变、最终需要专业判断、它不是专业财务建议的替代品。在一堆把 AI 吹成万能的工具里，肯把话说到这个份上的，反而更可信。

资源地址

总结

把这个 Skill 走一遍下来，它的定位其实很清晰。它是一个帮你把标准估值流程自动化、并且强行拉高数据规范度的助手，不是一个能替你做投资判断的黑箱。DCF 打底，敏感性找驱动，蒙特卡洛量化风险，情景规划做战略，四个引擎的递进关系是它真正的设计亮点。

想上手的话，我的建议很具体。先从一个你手里已经有完整财报和成熟假设的 DCF 案例开始，拿它的输出和你自己手搭的版本逐项对一遍，看哪里对得上、哪里有出入。对齐之后再去用蒙特卡洛和情景规划这些更依赖模型发挥的功能，心里有底。

说到底，工具再聪明，假设还是你自己的责任。它能把你的判断算到小数点后两位，但那个判断对不对，永远是你的事，不是它的。这一点想清楚了，它就是个相当不错的工具。