wind-alice/dcf-model

Création de modèles DCF (Discounted Cash Flow) réels pour l'évaluation d'actions. Récupère les données financières des dépôts SEC et des rapports d'analystes, construit des projections de flux de trésorerie complètes avec des calculs WACC appropriés, effectue une analyse de sensibilité et produit des modèles Excel professionnels avec des résumés exécutifs.

Qu'est-ce que dcf-model ?

Cette compétence construit des modèles DCF (Discounted Cash Flow) de qualité institutionnelle pour l'évaluation d'actions, suivant les normes des banques d'investissement. Elle récupère automatiquement les données financières des dépôts SEC et des rapports d'analystes via les serveurs MCP ou les données utilisateur, puis construit des projections de flux de trésorerie complètes avec des calculs WACC (Coût Moyen Pondéré du Capital) appropriés. L'accent est mis sur l'utilisation de formules Excel en direct plutôt que de valeurs codées en dur, garantissant que le modèle reste flexible lorsque l'utilisateur modifie une hypothèse. La compétence prend en charge les environnements Office JS (dans Excel) et Python/openpyxl (pour les fichiers .xlsx autonomes). Elle crée des tableaux de sensibilité avec un nombre impair de lignes et de colonnes, met en évidence la cellule de base avec un remplissage bleu, et ajoute des commentaires de cellule à chaque entrée. Le processus est itératif : après chaque étape (récupération des données, projections de revenus, construction FCF, WACC, valeur terminale), l'utilisateur est invité à vérifier et confirmer avant de continuer. Le résultat final est un modèle Excel professionnel avec un résumé exécutif, prêt à être utilisé pour l'analyse d'investissement.

Compatible avec~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/wind-alice/alicemarket/tree/main/skills/dcf-model

Installed? Explore more Productivité et collaboration skills: steipete/gemini, steipete/gh-issues, steipete/skill-creator · View all 6 →

Demander à votre IA préférée

Ouvre une nouvelle conversation avec cette compétence d'agent déjà préchargée.

Documentation

Constructeur de Modèle DCF

Aperçu

Cette compétence crée des modèles DCF de qualité institutionnelle pour l'évaluation d'actions, suivant les normes des banques d'investissement. Chaque analyse produit un modèle Excel détaillé (avec une analyse de sensibilité incluse en bas de la feuille DCF).

Outils

  • Par défaut, utilisez toutes les informations fournies par l'utilisateur et les serveurs MCP disponibles pour la collecte de données.

Contraintes Critiques - Lisez Ceci en Premier

Ces contraintes s'appliquent tout au long de la construction du modèle DCF. Examinez-les avant de commencer :

Environnement : Office JS vs Python/openpyxl :

  • Si vous exécutez dans Excel (complément Office / environnement Office JS) : Utilisez Office JS directement — n'utilisez PAS Python/openpyxl. Écrivez les formules via range.formulas = [["=D19*(1+$B$8)"]]. Aucune étape de recalcul séparée n'est nécessaire ; Excel calcule nativement. Utilisez range.format.* pour le style. La même règle formules-plutôt-que-valeurs codées s'applique : définissez .formulas, jamais .values pour les cellules dérivées.
  • Si vous générez un fichier .xlsx autonome (pas de session Excel en direct) : Utilisez Python/openpyxl comme décrit ci-dessous, puis exécutez recalc.py avant la livraison.
  • Le reste de cette compétence utilise des exemples openpyxl — traduisez en appels API Office JS lorsque vous êtes dans cet environnement, mais tous les principes (chaînes de formules, commentaires de cellules, points de contrôle de section, boucles de tableaux de sensibilité) s'appliquent à l'identique.

⚠️ Piège des cellules fusionnées dans Office JS : Lors de la construction d'en-têtes de section avec des cellules fusionnées, n'appelez PAS .merge() puis définissez .values sur la plage fusionnée — Office JS signale toujours les dimensions originales de la plage et lèvera InvalidArgument : Le nombre de lignes ou de colonnes dans le tableau d'entrée ne correspond pas à la taille ou aux dimensions de la plage. Au lieu de cela, écrivez la valeur dans la cellule en haut à gauche uniquement, puis fusionnez et formatez la plage complète :

// MAUVAIS — lève InvalidArgument :
const hdr = ws.getRange("A7:H7");
hdr.merge();
hdr.values = [["DONNÉES DE MARCHÉ & ENTRÉES CLÉS"]];  // tableau 1×1 vs plage 1×8 → échec

// CORRECT — valeur d'abord sur une seule cellule, puis fusion + formatage de la plage :
ws.getRange("A7").values = [["DONNÉES DE MARCHÉ & ENTRÉES CLÉS"]];
const hdr = ws.getRange("A7:H7");
hdr.merge();
hdr.format.fill.color = "#1F4E79";
hdr.format.font.bold = true;
hdr.format.font.color = "#FFFFFF";

Ceci s'applique à chaque en-tête de section fusionné dans le DCF (données de marché, blocs de scénarios, projection de flux de trésorerie, valeur terminale, résumé de valorisation, tableaux de sensibilité).

Formules Plutôt Que Valeurs Codées (NON-NÉGOCIABLE) :

  • Chaque cellule de projection, marge, facteur d'actualisation, VA (valeur actuelle) et sensibilité DOIT être une formule Excel en direct — jamais une valeur calculée en Python et écrite comme un nombre
  • Lors de l'utilisation d'openpyxl : ws["D20"] = "=D19*(1+$B$8)" est correct ; ws["D20"] = revenu_calculé est MAUVAIS
  • Les seuls nombres codés en dur autorisés sont : (1) les entrées historiques brutes, (2) les moteurs d'hypothèses (taux de croissance, entrées WACC, g terminal), (3) les données de marché actuelles (cours de l'action, solde de la dette)
  • Si vous vous surprenez à calculer quelque chose en Python et à écrire le résultat — ARRÊTEZ-VOUS. Le modèle doit pouvoir s'adapter lorsque l'utilisateur modifie une hypothèse.

Vérifiez Étape par Étape avec l'Utilisateur (NE construisez PAS de bout en bout) :

  • Après la récupération des données → montrez à l'utilisateur le bloc d'entrées brutes (revenus, marges, actions, dette nette) et confirmez avant de projeter
  • Après les projections de revenus → montrez le chiffre d'affaires projeté et les taux de croissance, confirmez avant de construire la marge
  • Après la construction FCF → montrez le calendrier FCF complet, confirmez la logique avant de calculer le WACC
  • Après le WACC → montrez le calcul et les entrées, confirmez avant l'actualisation
  • Après la valeur terminale + VA → montrez le pont de capitaux propres (VE → valeur des capitaux propres → valeur par action), confirmez avant les tableaux de sensibilité
  • Détectez les erreurs à chaque étape — une hypothèse de marge erronée découverte après la construction des tableaux de sensibilité signifie reconstruire tout ce qui est en aval

Tableaux de Sensibilité :

  • Utilisez un nombre IMPAIR de lignes et de colonnes (standard : 5×5, parfois 7×7) — cela garantit une cellule centrale réelle
  • Cellule centrale = cas de base. Construisez les valeurs des axes de sorte que l'en-tête de ligne du milieu et l'en-tête de colonne du milieu soient exactement égaux aux hypothèses réelles du modèle (par exemple, si le WACC de base = 9,0 %, la ligne du milieu est 9,0 % ; si le g terminal = 3,0 %, la colonne du milieu est 3,0 %). Le résultat de la cellule centrale doit donc être égal au prix implicite réel de l'action du modèle — c'est le test de validation que le tableau est construit correctement.
  • Mettez en surbrillance la cellule centrale avec le remplissage bleu moyen (#BDD7EE) + police en gras afin qu'elle soit immédiatement visible quelle cellule est le cas de base.
  • Remplissez TOUTES les cellules (typiquement 3 tableaux × 25 cellules = 75) avec des formules de recalcul DCF complètes
  • Utilisez des boucles openpyxl (ou des boucles Office JS) pour écrire les formules de manière programmatique
  • AUCUN texte d'espace réservé, AUCUNE approximation linéaire, AUCUNE étape manuelle requise
  • Chaque cellule doit recalculer le DCF complet pour cette combinaison d'hypothèses

Commentaires de Cellule :

  • Ajoutez des commentaires de cellule AU fur et à mesure que chaque valeur codée en dur est créée
  • Format : "Source : [Système/Document], [Date], [Référence], [URL le cas échéant]"
  • Chaque entrée bleue doit avoir un commentaire avant de passer à la section suivante
  • Ne remettez pas à la fin ou n'écrivez pas "TODO : ajouter source"

Planification de la Disposition du Modèle :

  • Définissez les positions de ligne de TOUTES les sections AVANT d'écrire des formules
  • Écrivez TOUS les en-têtes et étiquettes en premier
  • Écrivez TOUS les séparateurs de section et les lignes vides en second
  • Ensuite, écrivez les formules en utilisant les positions de ligne verrouillées
  • Testez les formules immédiatement après leur création

Recalcul des Formules :

  • Exécutez python recalc.py model.xlsx 30 avant la livraison
  • Corrigez TOUTES les erreurs jusqu'à ce que le statut soit "succès"
  • Zéro erreur de formule requise (#REF!, #DIV/0!, #VALEUR!, etc.)

Blocs de Scénarios :

  • Créez des blocs séparés pour les cas Pessimiste/Base/Optimiste
  • Montrez les hypothèses horizontalement sur les années de projection dans chaque bloc
  • Utilisez des formules SI : =SI($B$6=1,[Cellule Pessimiste],SI($B$6=2,[Cellule Base],[Cellule Optimiste]))
  • Vérifiez que les formules référencent les cellules de bloc de scénario correctes

Flux de Travail du Processus DCF

Étape 1 : Récupération et Validation des Données

Récupérez les données des serveurs MCP, des données fournies par l'utilisateur et du web.

Priorité des Sources de Données :

  1. Serveurs MCP (si configurés) - Données financières structurées provenant de fournisseurs comme Daloopa
  2. Données Fournies par l'Utilisateur - Données financières historiques issues de leurs recherches
  3. Recherche Web/Récupération - Prix actuels, bêta, dette et liquidités si nécessaire

Liste de Vérification de Validation :

  • Vérifiez la dette nette par rapport aux liquidités nettes (crucial pour la valorisation)
  • Confirmez les actions diluées en circulation (vérifiez les rachats/émissions récents)
  • Validez que les marges historiques sont cohérentes avec le modèle d'entreprise
  • Recoupez les taux de croissance des revenus avec les références du secteur
  • Vérifiez que le taux d'imposition est raisonnable (généralement 21-28 %)

Étape 2 : Analyse Historique (3-5 ans)

Analysez et documentez :

  • Tendances de croissance des revenus : Calculez le TCAC, identifiez les moteurs
  • Progression des marges : Suivez la marge brute, la marge EBIT, la marge FCF
  • Intensité capitalistique : D&A et CapEx en % du chiffre d'affaires
  • Efficacité du fonds de roulement : Variations du BFR en % de la croissance des revenus
  • Mesures de rendement : Tendances du ROIC, du ROE

Créez des tableaux récapitulatifs montrant :

Mesures Historiques (LTM) :
Revenus : X millions de $
Croissance des revenus : X% TCAC
Marge brute : X%
Marge EBIT : X%
D&A % du chiffre d'affaires : X%
CapEx % du chiffre d'affaires : X%
Marge FCF : X%

Étape 3 : Construire les Projections de Revenus

Méthodologie :

  1. Commencez par le dernier revenu réel (LTM ou année fiscale la plus récente)
  2. Appliquez les taux de croissance pour chaque année de projection
  3. Montrez à la fois les montants en dollars ET le taux de croissance calculé en %

Cadre des Taux de Croissance :

  • Année 1-2 : Croissance plus élevée reflétant la visibilité à court terme
  • Année 3-4 : Modération progressive vers la moyenne du secteur
  • Année 5+ : Approche du taux de croissance terminal

Structure de la formule :

  • Revenus(Y

Individual skills in this repo

This repo contains 19 individual skills — each has its own dedicated page.

wind-alice/add_to_winner_decision_skill

判断盈利仓是否适合继续加仓,并给出加仓前提、节奏安排、保护规则与停止扩张边界。适用于趋势延续、核心持仓滚动放大与强势股二次进攻场景。

wind-alice/after_close_watchlist_recap_skill

在收盘后总结自选股当日表现、驱动因素、强弱分化与次日观察点。适用于每日收盘复盘、维护自选股观察节奏、为次日盘前准备提供输入等场景。

wind-alice/a-share-primary-theme-identification

用于A股市场主线识别,聚焦市场结构 / 题材周期 / 资金行为。本skill主要用户问题回答、撰写报告、撰写金融类文章等场景。本报告输出内容较多,不适合简单对话场景。各类信息与数据的获取,可以使用wind.financial.data工具,以合理的关键字或关键字组合进行获取。每天开盘后、午盘、收盘后,用户都需要快速知道: 今天市场到底在交易什么,真正的主线是什么,情绪在什么位置,明天应该盯哪里。

wind-alice/avatar-charlie-munger-thinking

使用查理·芒格式的逆向思考、激励分析、认知偏误叠加和多学科模型检验复杂决策。用于评估商业与投资判断、组织行为、政策效果、重大选择、全民共识、失败风险,或识别论证中的单一视角和心理盲区。

wind-alice/avatar-nassim-taleb-risk

使用纳西姆·塔勒布式的尾部风险、利益共担、减法、林迪效应和杠铃策略分析不确定性。用于投资、商业、政策、职业、产品或个人决策中的出局风险、不可逆损失、脆弱性、代理问题、新旧方案比较和资源配置。

wind-alice/avatar-naval-ravikant-thinking

使用纳瓦尔·拉维坎特式的重新定义、欲望审计、特定知识和杠杆框架澄清职业、创业、财富、幸福、自由与人生选择。用于识别错误问题、冲突欲望、独特竞争力、AI替代风险、许可依赖、边际成本和长期复利方向。

wind-alice/avatar-warren-buffett-investing

使用沃伦·巴菲特式的能力圈、护城河、管理层诚信、所有者收益和资本配置框架分析企业与长期投资。用于研究公司商业模式、竞争优势、现金质量、管理层、估值、安全边际,或判断一项投资应继续研究、等待还是放弃。

wind-alice/backtest-expert

Expert guidance for systematic backtesting of trading strategies. Use when developing, testing, stress-testing, or validating quantitative trading strategies. Covers "beating ideas to death" methodology, parameter robustness testing, slippage modeling, bias prevention, and interpreting backtest results. Applicable when user asks about backtesting, strategy validation, robustness testing, avoiding overfitting, or systematic trading development.

wind-alice/breakout_candidate_finder_skill

批量识别突破形态成熟、量价结构健康、催化配合较好的候选股,并输出优先级、触发条件与失效边界。适用于短中线选股、盘前候选池整理、板块轮动中筛选领涨预备股等场景。

wind-alice/breakout_trade_execution_skill

围绕突破交易制定从观察、触发、跟进到失效处理的落地执行方案,兼顾量价确认、环境配合与失败撤退。适用于盘前预案、盘中突破跟踪与强势股首日执行场景。

wind-alice/bull_bear_case_builder_skill

同时搭建看多与看空逻辑,比较证据强弱、关键变量与情景路径,帮助识别核心分歧。适用于防止确认偏误、研究前辩论、投资观点校验等场景。

wind-alice/business_model_decoder_skill

把公司如何获客、交付、定价、赚钱和扩张的逻辑拆解清楚,帮助快速理解业务运转方式。适用于看不懂公司业务、研究前补基础、业务结构梳理等场景。

wind-alice/buyback_program_reviewer_skill

判断回购计划的规模、动机、执行约束与真实利好程度。适用于公司宣布回购、估值争议期、资本配置分析等场景。

wind-alice/canslim_growth_scan_skill

依据成长股框架批量筛选业绩、预期、相对强度与供需结构共振的强势标的,并输出候选分层与跟踪重点。适用于成长股猎手、趋势成长选股、候选池批量扫描等场景。

wind-alice/conference_call_takeaway_skill

提炼业绩会中的新信息、管理层语气变化、问答焦点与潜在警讯。适用于听完业绩会、阅读纪要后快速更新观点等场景。

wind-alice/daily_watchlist_morning_brief_skill

为自选股生成盘前简报,汇总隔夜公告、新闻、价格变化、事件日程与今日观察重点。适用于开盘前快速浏览重点、晨会准备、盘前设定观察顺序等场景。

wind-alice/dip_buy_decision_skill

判断下跌或回调中的个股是否值得承接,并给出观察区、试错条件、分批节奏与放弃标准。适用于趋势回踩、事件后回落、震荡低吸与左侧谨慎试错场景。

wind-alice/dividend_change_explainer_skill

解读分红提升、削减、暂停或恢复背后的原因、持续性与投资含义。适用于收益型投资判断、公告复盘、长期现金流跟踪等场景。

wind-alice/dividend_growth_entry_skill

寻找股息持续增长、经营质量稳定且估值回落到合理区间的候选股,并输出入场观察区、成长支撑与失效边界。适用于收益成长双目标选股、长期配置、回调布局等场景。

Skills associés