DCF-skill

投行级 DCF + 相对估值 + SOTP 三方法估值引擎,专为 Trae MCP 数据源设计。

它能做什么

对任意公开市场股票(A 股 / 港股 / 美股)产出结构化估值报告:

• DCF(5 年显式预测 + Gordon + Exit Multiple 双法 TV)
• 相对估值(4-6 家可比公司 + median 多倍 + ±10-30% 调整)
• SOTP(可选,2+ 业务分部)
• 三方法综合(加权公允价 vs 当前价 + 隐含上行 / 下行)
• 风险分析(3 个 Gate 检查 + Bull/Base/Bear 情景 + 5+ 关键风险)
• 数据质量警告(自动检测 Beta 异常、估值字段过期、字段缺失)

快速开始

安装依赖(可选)

只有 yfinance 是可选的,Trae MCP 是 backend 调用,不需安装额外 Python 包。

pip install yfinance  # 可选,如果你的环境没有

命令行

# A 股
python -m src.cli --ticker 600519.SH

# 美股
python -m src.cli --ticker AAPL

# 港股
python -m src.cli --ticker 02899.HK

# A+H 双重上市矿业股,显式 AH 折价
python -m src.cli --ticker 601899.SH --ah-discount 0.20

# 自定义数据源 / 输出格式
python -m src.cli --ticker NVDA --source emoney_us --report md,json

Python 模块

from src.dcf_engine import Valuation
from src.industry_router import IndustryRouter

router = IndustryRouter()
defaults = router.get_defaults("AAPL")   # 自动判断 GICS 行业
v = Valuation(ticker="AAPL", data_source="emoney_us", defaults=defaults)
result = v.run()
print(result.summary())

在 Trae 中作为 Skill

把仓库克隆/复制到 Trae 工作区的 .trae/skills/dcf-valuation/ 下,Trae 会自动加载 SKILL.md 并匹配触发词。

数据源策略

所有数据来自 Trae 自带 MCP,无外部依赖。

执行步骤

按 references/methodology.md 严格执行 8 步,任意一步缺失会在报告中标注 ⚠:

Step 0  Data Quality Check(自动)
Step 1  Detection & Path Selection
Step 2  Defaults by GICS Industry
Step 3  Pull Data(营收 / 利润 / 三表 / 估值)
Step 4  DCF(5 年预测 + 双法 TV)
Step 5  Relative Valuation(可比公司 + 中位倍数 + 调整)
Step 6  SOTP(若适用)
Step 7  Combine(40/30/30)
Step 8  Output(Markdown + JSON)

每个 Step 详见 references/:

Gate 检查(自动)

测试

pytest tests/

回归测试覆盖:

• test_dcf_engine.py — DCF 计算正确性(Gordon、Exit、双法中点、敏感性)
• test_data_sources.py — 数据源适配器契约(无实际网络访问)
• test_industry_router.py — 行业路由(11 GICS × 3 特征)

实战案例

完整跑通的真实报告(2026-09-21):

• AAPL 美股标杆 — 单股 +360% 公允价上行
• 中际旭创 300308 A 股 AI 算力 — DCF + 相对 + SOTP 三方法

License

MIT