估值是一个被数字包着的故事

AI 原生投资者课程 · 第 5 章 / 共 10 章

2016 年，Damodaran 在纽约大学的课上做了一件事：让两组学生分别估值 Uber。同一个 DCF 模型，同一套公开数据，同一个折现率公式。一组估出来 280 亿美元，另一组估出来 620 亿美元。差了一倍多。

两组都没算错。

区别在故事。第一组认为 Uber 是一家出租车公司——城市交通市场有边界，司机端竞争激烈，利润率会被压薄。第二组认为 Uber 是一家物流平台——市场边界远大于出租车，网络效应会锁住用户，利润率随规模扩大。

两个故事都合理。但它们灌进同一个 DCF 模型之后，出来的数字完全不一样。

Damodaran 后来反复讲这个例子。他的观点很清楚：估值不是计算题，是叙事题。每一个输入——收入增速、利润率、资本开支、折现率——背后都是一个关于公司未来的故事选择。大部分人以为估值的难度在数学。不是。数学是 agent 十秒钟搞定的部分。难度在故事——你选了什么故事，你为什么选它，你有没有意识到自己选了。

这一章教的就是这件事。

这一章的核心论点

1. 估值的三种方法各有适用场景，没有哪种"更正确"。 DCF 讲未来现金流，倍数法讲相对比较，资产法讲清算底线。你得知道什么时候用哪个，以及混着用的时候怎么不自相矛盾。

2. DCF 里每个数字都是一个故事选择。 收入增速是你对市场规模的判断，利润率是你对竞争格局的判断，折现率是你对风险的判断。不存在"客观的 DCF"——只存在不同的叙事和它们各自对应的数字。

3. 敏感性分析是估值里最被低估的步骤。 它回答的问题不是"值多少钱"，而是"这个估值暗中依赖哪个假设"。找到那个假设，你就知道自己到底在赌什么。

4. Agent 生成的估值有四种常见错误，全部跟叙事有关。 共识默认、终值手挥、折现率盲区、增长外推。识别它们是你拿到 agent 估值输出之后的第一步。

1. 三种方法，三个问题

估值方法多到能写一本教科书。但认真投资者日常用的就三类，每类回答一个不同的问题。

DCF（现金流折现）回答的是：如果这家公司按我预期的故事走下去，它今天值多少钱？ 你把未来每一年的自由现金流预测出来，按一个折现率折回今天，加总。本质上是在问：这个故事对应多少钱？

倍数法回答的是：跟类似的公司比，这家是贵了还是便宜了？ 市盈率、市销率、企业价值比 EBITDA——每一个倍数都是拿一个财务指标去除市值或企业价值。本质上是在问：市场给类似公司什么价格，这家偏离了多少？

资产法回答的是：如果公司今天关门，股东能拿回多少？ 把资产加总，减去负债。本质上是在问：最坏情况下的底线在哪？

三个问题，三个视角。

DCF 最有穿透力，因为它逼你把故事拆成具体的数字假设。但它也最脆弱——任何一个假设偏了，结果就偏了。倍数法最快、最直觉，但它默认"类似公司"真的类似——这个假设常常不成立。资产法最保守，Graham 偏爱它，但它对轻资产公司几乎没用——一家软件公司的核心价值不在资产负债表上。

没有哪种方法"更正确"。正确的做法是知道每种在什么条件下有意义，以及它在什么条件下会骗你。

Damodaran 有一个很好的比喻：估值就像看一头大象。你从前面看、侧面看、后面看，得到的形状完全不同。但它是同一头象。三种方法给你三个角度。如果三个角度讲的故事大致一致，你的信心可以高一点。如果差距巨大，那个差距本身就是最重要的信息——它说明你在某个角度上看到了别人没看到的东西，或者你在某个角度上看错了。

什么时候用哪个

这不是规则，是经验。

成熟的、现金流稳定的公司——DCF 最有用。可口可乐、宝洁这种公司，未来五年的现金流你可以有合理的信心去预测，DCF 的结果有参考价值。

高增长、还没盈利的公司——倍数法更实用，但得加限定。市销率比市盈率有意义（没有盈利的公司市盈率算不出来），但你得对"类似公司"的选择非常审慎。一家年增长 80% 的 SaaS 公司和一家年增长 15% 的 SaaS 公司不是同类。

重资产、周期性行业——资产法有用。银行、保险、房地产，资产负债表就是生意本身。市净率是核心指标。

大部分情况下，认真的投资者会同时跑两到三种，然后看它们之间的差距。差距小，你的故事大概率是自洽的。差距大，你要么发现了一个市场定价错误，要么自己在某个假设上出了问题。区分这两种情况，是判断力的核心。

2. DCF：一个关于未来的完整叙事

DCF 的逻辑极其简单：一家公司的价值等于它未来所有现金流折回今天的总和。

就这么一句话。所有复杂性都藏在"未来所有现金流"和"折回今天"这两个短语里。

故事的五个选择

一个 DCF 估值，不管看起来多复杂，归根结底就是五个选择。每个选择背后都是一个关于公司未来的判断。

第一个选择：收入增速。 这家公司未来五年收入能以什么速度增长？

这是最显眼的一个选择，也是分歧最大的。Uber 那个例子，280 亿和 620 亿的差距，主要就来自这里。"出租车公司"的故事对应一个增速，"物流平台"的故事对应另一个。

收入增速不是一个你能"算出来"的数字。它是你对三个底层问题的综合判断：这个市场有多大？这家公司能吃到多少？速度能维持多久？这三个问题中任何一个，两个聪明人的答案可以差两倍。

第二个选择：利润率。 收入做大之后，能留下多少？

有些公司收入翻了三倍，利润率从 5% 涨到 25%——因为规模效应。有些公司收入翻了三倍，利润率从 5% 跌到 -10%——因为获客成本随规模升高。你选哪个趋势，决定了 DCF 模型里现金流的大小。

利润率的选择直接反映你对竞争格局的判断。如果你认为一家公司有护城河——品牌、网络效应、转换成本——你会选一个随时间上升或者至少稳定的利润率。如果你认为竞争会加剧，你会选一个下降的。

第三个选择：资本开支和再投入。 赚了钱之后需要花多少来维持增长？

一家半导体公司和一家软件公司，同样赚 10 亿，留在手里的自由现金流可能差三倍。半导体要不断建厂，软件不用。这个差异直接体现在 DCF 里——你预测的不是收入、不是利润，是自由现金流，也就是利润减去维持和扩张生意所需要的投入。

第四个选择：折现率。 你要求多高的回报来补偿风险？

折现率是 DCF 里最不直觉的一个概念。简单说：未来的一块钱没有今天的一块钱值钱，折现率决定了"不值钱多少"。折现率越高，未来现金流折回今天的价值越低——因为你认为风险越大，要求的补偿越高。

折现率通常在 8% 到 12% 之间。看起来差距不大。但折现率的影响是指数级的——它不是对每年的现金流打一个折，是对越远的现金流打越重的折。10 年后的现金流，折现率从 8% 变成 12%，价值差将近一半。

这意味着折现率的选择对那些"大部分价值在远期"的公司影响极大。高增长公司——今天亏钱、五年后才开始赚钱的那种——折现率动两个百分点，估值可能动 30% 以上。

第五个选择：终值。 你的预测期结束之后，这家公司值多少？

这是 DCF 里最容易被忽略、影响最大的一个假设。

通常 DCF 模型会预测未来五到十年的现金流，然后在预测期末尾加一个"终值"——代表预测期之后所有现金流的总和。大部分 DCF 估值里，终值占总价值的 60% 到 80%。

读一遍这个数字。你的估值有六到八成取决于一个关于十年以后的假设。

终值通常用一个"永续增长率"来算——假设预测期结束后，公司以一个固定的低速率永远增长下去。这个增长率通常取 2% 到 3%，跟长期通胀率差不多。听起来保守。但问题是，2% 的永续增长和 3% 的永续增长，对终值的影响可以是 20% 到 40%。

一个看似无害的百分点之差，通过终值放大之后，变成了估值里最大的那个赌注。

故事先于数字

Damodaran 的核心教导是：先写故事，再填数字。不要反过来。

大部分人（包括很多专业分析师）的做法是反过来的：打开模型，填收入增速 15%，利润率 20%，折现率 10%——然后看出来一个数字，觉得"差不多"。

问题在于，这五个数字之间不是独立的。它们必须讲同一个故事。

一个公司如果收入增速极高，通常利润率短期内会低——因为增长需要投入。如果你填了一个 40% 的收入增速，同时填了一个 30% 的利润率，你在暗示这家公司可以不花钱地高速增长。这在绝大多数行业里不可能。你的五个数字在讲一个物理上不存在的故事。

先写故事的好处是：当你用一句话讲清楚"我认为这家公司是什么、它的未来怎么展开"，你就能检查五个数字之间有没有矛盾。故事是检验数字一致性的工具。

举个例子。Damodaran 在 2014 年给阿里巴巴做 DCF，他的故事是一句话："中国电商渗透率还有三倍空间，阿里巴巴会占其中的大部分，但利润率会因为竞争和监管而下降。"这个故事直接决定了五个数字的方向——高收入增速、下降的利润率、中等资本开支、较高的折现率（中国市场风险溢价）、保守的终值增长率。数字之间是一致的，因为它们在讲同一个故事。

如果他的故事是"阿里巴巴是中国的亚马逊，会从电商扩展到云计算和物流"，五个数字会完全不同——但它们之间依然是一致的，因为换了一个故事。

估值的分歧，归根结底是故事的分歧，不是数学的分歧。

3. 敏感性分析：找到那个你在赌的假设

大部分人做完 DCF 就停了。得到一个数字——比如"这家公司值 450 亿"——然后拿这个数字去跟市价比。

这是把最重要的一步跳过去了。

DCF 给你的不是一个答案，是一个起点。下一步是问：如果我的假设变了，这个数字会动多少？

这就是敏感性分析。

一个假设动一下，整个估值晃多少

操作很简单：把五个核心假设中的一个动一动——比如收入增速从 15% 改成 10%——其他假设不变，看估值变了多少。然后换另一个假设动一动。

你会发现一个规律：不是所有假设都一样重要。

有些假设动了两三个百分点，估值几乎没变。有些假设动了两三个百分点，估值变了 30%。

那个最敏感的假设，就是你暗中在赌的东西。

举个例子。你给一家云计算公司做 DCF。收入增速从 25% 降到 20%，估值降了 10%。折现率从 9% 升到 11%，估值降了 8%。但终值增长率从 3% 降到 2%，估值降了 25%。

你本来以为自己在赌"这家公司能不能保持 25% 的增速"。敏感性分析告诉你，你其实在赌"这家公司十年之后还能不能持续增长"。这是一个完全不同的赌注，需要完全不同的证据来支撑。

两个假设一起动

单变量敏感性分析有一个盲区：它假设其他变量不动。但现实里，假设之间是相关的。

如果宏观经济恶化，利润率和增速会同时下降。如果行业出现颠覆性竞争者，市场份额和利润率会一起跌。

更有穿透力的做法是把两个相关的假设一起动。比如同时调收入增速和利润率，画一张二维的表格。横轴是增速的不同假设（10%、15%、20%、25%），纵轴是利润率的不同假设（15%、20%、25%、30%），每个格子是一个估值。

这张表格比一个数字有用得多。它告诉你的不是"值多少钱"，而是"在什么故事下值多少钱"。你可以在表格里找到一个区域——你认为最可能的故事组合——然后看那个区域里的估值跟市价比是什么关系。

如果在你认为可能的所有故事组合下，估值都远高于市价，那是 Graham 说的安全边际——不是一种确定性，但是一种你出错了还有缓冲的余地。如果只有在最乐观的那一两个格子里估值才高于市价，你在冒一个你可能没意识到的风险。

敏感性分析是判断力的放大器

很多人觉得敏感性分析是一个技术步骤。不是。它是判断力的放大器。

不做敏感性分析，你只知道"我的模型说值 450 亿"。做了之后，你知道"我的模型在收入增速 20%-25% 且利润率高于 20% 的故事下说值 400-500 亿，但如果增速低于 15%，不管利润率多少，值不到 300 亿"。

后者是一个有用的判断。前者只是一个数字。

而且，敏感性分析会直接指向你接下来该去研究什么。如果估值对终值增长率最敏感，你该去研究的是这家公司的长期竞争地位——护城河有多宽、行业结构会不会变。如果估值对利润率最敏感，你该去研究成本结构和竞争动态。

说白了，敏感性分析替你画出了一张"什么值得研究"的地图。

4. 倍数法：参照物的选择就是判断

倍数法看起来比 DCF 简单得多。拿一个财务指标除市值，得到一个比率，拿去跟同行比。高了就贵，低了就便宜。

简单到有点可疑。

每个倍数讲的是不同的故事

市盈率（P/E）讲的是市场愿意为每一块钱利润付多少。P/E 20 意味着投资者愿意用 20 块钱买这家公司每年赚的 1 块钱。这个倍数隐含了一个增长预期：愿意付 20 倍而不是 10 倍，说明市场相信利润会增长。

市销率（P/S）讲的是市场愿意为每一块钱收入付多少。它对还没盈利的公司有用——市盈率在亏损时没有意义，市销率永远能算。但市销率忽略了一个关键问题：收入变成利润的效率。一家毛利 80% 的软件公司和一家毛利 10% 的零售商，市销率根本没有可比性。

EV/EBITDA 讲的是整个企业（包括债务）相对于经营利润的定价。它比市盈率更干净，因为它排除了资本结构（有多少债）和税务结构的差异。跨公司比较时，这个倍数通常比市盈率更公平。

市净率（P/B）讲的是市场给资产的定价。低于 1 意味着市场认为这些资产不值账面价值——要么资产质量有问题，要么盈利能力不行。银行和保险公司看这个倍数最多，因为它们的生意本身就是管理资产。

没有"最好的倍数"。选哪个，取决于你在问什么问题。

参照物的陷阱

倍数法最大的陷阱不在数学，在参照物。

"这家公司 P/E 只有 15，同行平均 25，所以它便宜"——这句话藏着一个假设：这家公司和"同行"真的可比。

可比意味着：增长速度差不多，利润率差不多，风险水平差不多，商业模式差不多。现实里，完全满足这四个条件的公司几乎不存在。

你选谁做参照，就已经在做判断了。

一家中国电商公司，拿它跟美国电商公司比，还是跟中国社交平台比？前者说它便宜，后者说它贵。答案取决于你认为它更像谁——这是一个叙事判断，不是一个数学判断。

Damodaran 经常提醒他的学生：当有人说"行业平均 P/E 是 25"的时候，你的第一反应不应该是"那 P/E 低于 25 的就便宜"。你的第一反应应该是"这个平均数里包含了哪些公司，它们之间的差异被这个平均数吃掉了多少"。

一个行业里可能有一家 P/E 是 50（高增长龙头），另外九家是 15-20（稳定但慢）。平均下来是 25。你拿 25 去跟龙头比，觉得龙头贵了一倍。但龙头的增速是行业平均的三倍，这个差距可能完全合理。

倍数法和 DCF 怎么配合

最有价值的做法是把两种方法放在一起，看它们讲的故事是不是一致。

如果 DCF 说一家公司值 500 亿，而倍数法（跟真正可比的公司对比之后）说它值 600 亿，差距在合理范围内。两种方法讲的是差不多的故事。

但如果 DCF 说 500 亿，倍数法说 200 亿，你有问题了。要么你的 DCF 假设太乐观——你给了一个市场不认可的增长故事。要么市场低估了这家公司——你看到了别人没看到的东西。

区分这两种情况，是投资判断力最锋利的那一刀。

大伙儿都知道"便宜可能是有原因的"。但大部分人面对自己的模型跟市场的分歧时，第一反应是"市场错了"。统计上，市场错的概率远低于你错的概率。你需要极高质量的证据才能坚持"我对市场错"这个立场——而且你需要把那些证据写下来，因为三个月后你的记忆会帮你把故事改得对你有利。这是第 7 章的主题。

5. Agent 估值的四种常见错误

Agent 算 DCF 又快又准。给它一家公司名，它能在两分钟内拉数据、选假设、跑模型、给你一个估值。

问题不在"算"，在"选假设"。

Agent 不知道自己在讲故事。它以为自己在做计算。这是所有错误的根源。

错误一：共识默认

Agent 在选假设时，默认走共识。分析师一致预期收入增速 18%，它就填 18%。行业平均利润率 22%，它就填 22%。折现率取常见区间的中位数。

出来的结果是什么？共识估值。

共识估值不是没用。它告诉你市场"已经在价格里"的故事。但如果你只是拿共识估值去跟市价比——市价本来就反映的是共识——你在做一个循环论证。用市场的故事去检验市场的定价，当然会发现"价格差不多合理"。

这不叫分析。这叫用不同的格式重复同一个判断。

你需要的是自己的故事。跟共识不一样的地方，才是你可能有优势或者可能出了错的地方。第 1 章里讲过：agent 默认走共识，你不推、不争，拿到的就是共识穿了"原创分析"的外衣。估值是这个问题最集中的体现。

错误二：终值手挥

Agent 在处理终值时通常采用一个标准做法：预测期末尾的自由现金流，乘以一个基于永续增长率的公式。永续增长率取 2% 到 3%。

问题不在数学。问题在于 agent 对终值的处理几乎没有叙事检查。

永续增长率 2% 意味着什么？意味着你在假设这家公司在预测期结束后，每年增长 2%，永远。对一家基础设施类公司——电力、水务——这大概合理。对一家科技公司，这个假设隐含着一个巨大的判断：它的高增长期什么时候结束？增速是突然掉下来还是渐进式收敛？这些问题 agent 不会主动提出来。

终值在大部分 DCF 里占六到八成。一个 agent 花两秒钟选的永续增长率，决定了你估值的大半。你应该在这里停下来，花比 agent 多十倍的时间想清楚：这个增长率意味着什么故事？

错误三：折现率盲区

折现率是 DCF 里最容易被当作"技术参数"处理的一个输入。Agent 通常用一个标准方法算——取无风险利率加上一个风险溢价，根据行业和公司规模微调。

出来的数字一般在 8% 到 12% 之间。看起来精确。但这种精确是假的。

折现率的本质是"你要求多高的补偿来承担这个风险"。这是一个高度主观的判断。一家新兴市场的生物科技公司和一家美国的消费品公司，用同样的方法算出来的折现率可能只差两三个百分点。但它们的风险完全不在一个量级上。

Agent 算折现率时不会犯数学错误。但它可能把一个"该用 14% 折现的公司"用 10% 来折现——因为标准公式对那些标准公式没见过的风险视而不见。第 6 章会详细讲为什么风险不等于波动率，以及哪些真正致命的风险是标准模型抓不到的。

错误四：增长外推

Agent 在预测未来收入时，最常见的倾向是从过去的增长率出发，做渐进式调整——去年 30%，今年预测 25%，明年 20%，依次递减。

这种线性外推在很多情况下是合理的近似。但它会在两种情况下严重失灵。

第一种：行业拐点。一个增长率连续五年保持 30% 的行业，不一定会渐进式放缓。它可能在一个政策变化、技术替代或需求饱和的节点上急剧转向。线性外推看不到拐点，因为拐点在历史数据里没有先例。

第二种：竞争格局剧变。一家公司过去三年市场份额从 10% 升到 25%，agent 外推到五年后 40%。但竞争对手不是静态的。份额增长往往是 S 形的——先加速后减速——线性外推会在加速段高估后面的路径。

在两种情况下，agent 不会自己停下来质疑。你需要在看到增长假设的时候主动问：这个增速对应什么样的竞争和市场故事？那个故事在五年的时间尺度上有多大概率成立？

这四种错误的共同根源

它们的共同点是：agent 把叙事选择当作了技术参数来处理。

共识默认——因为 agent 没有自己的故事。终值手挥——因为 agent 不知道终值背后是一个关于长期竞争地位的叙事。折现率盲区——因为 agent 不知道风险是一个叙事判断而不是一个公式输出。增长外推——因为 agent 用历史当故事，而未来不一定续写历史。

这四个问题加在一起，解释了为什么你不能把估值外包给 agent 然后只看结果。

Agent 能做的是计算——又快又准。你要做的是叙事——选故事，查故事的一致性，找到故事里最脆弱的那个假设。计算和叙事的分工，是这一章最重要的边界。

6. 你算，还是 agent 算？分工的边界

第一个原则：所有数学让 agent 做。

你不需要手算 DCF。你不需要手算倍数。你不需要手画敏感性分析的表格。这些是 agent 十秒钟能做的事。你做这些不会比 agent 做得更好——你只会更慢、更容易出错。

第二个原则：所有叙事选择你自己做。

收入增速选多少——你来。利润率趋势什么方向——你来。终值增长率取几个点——你来。参照物选谁——你来。

Agent 可以给你建议。但你要把它的建议当作共识基准，不是答案。你的判断跟它不一样的地方，才是你在估值里有自己观点的地方。

第三个原则：让 agent 做你不会主动做的那一步。

大部分人做完 DCF 就停了。你应该让 agent 紧跟着做一个敏感性分析——把你选的五个假设每个都动一动，看估值对哪个最敏感。这一步简单但繁琐，人会跳过，agent 不会。

然后让 agent 把 DCF 的估值和倍数法的估值放在一起比——如果差距大，让它解释可能的原因。这种"跨方法对比"是 agent 最擅长的——信息整合、模式识别、无遗漏的比对。你的活是判断它的解释有没有道理。

流程模板

按这个顺序跟 agent 协作估值，最不容易漏掉重要步骤：

步骤一：你写一段关于这家公司未来的故事。三到五句话。不用精确，但要有方向。比如："这家公司在一个增长放缓的市场里有稳定的份额，利润率可能因为竞争微降，资本开支较低，主要风险是客户集中度。"

步骤二：让 agent 根据你的故事做一个 DCF 估值。明确要求它列出所有核心假设——增速、利润率、资本开支、折现率、终值增长率。

步骤三：逐个审查假设。跟你的故事一致吗？有没有数字之间在讲矛盾的故事？如果有，让 agent 解释为什么它选了那个数字，然后你决定改不改。

步骤四：让 agent 做敏感性分析。至少是双变量的——最好选你认为最不确定的两个假设。看估值对什么最敏感。那个最敏感的假设就是你的核心赌注。

步骤五：让 agent 用两到三种倍数法做一个参考估值。要求它解释参照物是怎么选的，以及被选中的公司跟你研究的公司有哪些重要差异。

步骤六：比较 DCF 和倍数法的结果。差距在 20% 以内？大致一致。差距超过 30%？你需要找出原因——要么你的故事跟市场不同（可能是机会，可能是你错了），要么参照物选得不对。

这六步，agent 的活是步骤二到五的计算。你的活是步骤一的叙事、步骤三的审查、步骤六的判断。

估值的局限

讲完方法，必须讲局限。

估值不是定价。估值告诉你一个故事对应多少钱，定价告诉你市场愿意付多少。两者可以差很远。一家公司的"合理估值"是 300 亿，市场给它 500 亿——不意味着市场马上会回到 300 亿。市场可以在"不合理"的价格上停很久。Keynes 那句话——"市场保持非理性的时间可以比你保持偿付能力的时间长"——不是修辞，是血的教训。

估值也会变。你的故事可能被现实推翻。一个季度的财报可能彻底改变你对增速或利润率的判断。这不是估值方法的缺陷，是现实的特征——未来本来就不确定。好的做法不是追求一个"永远对的估值"，而是在每次新信息出现时，回头检查：我的故事还站得住吗？哪些假设需要更新？更新之后估值变了多少？

这种"估值是持续修订的过程而不是一次性的输出"的心态，是认真投资者和业余投资者之间最大的区别之一。业余投资者做一次估值，得出结论"便宜"或者"贵"，然后不再回来看。认真投资者把估值当作一个活的文档——随着新信息和新判断不断修订。

这就是为什么第 7 章讲"写下来"这么重要。你今天选的故事和假设，三个月后你会记不清。不是可能，是一定。写下来是唯一的补救。

Workshop · 改一个假设，看数字动多少

时间： 60 到 90 分钟 工具： 任何你在用的 AI agent 产出： 一份保存好的估值工作文档

步骤

第一步——选一家公司。 如果你做了第 4 章的 workshop，用同一家。如果没做，选一家你了解它业务的上市公司——你用它的产品、你在它的行业里工作、或者你跟踪过它至少半年。不要选你从来没研究过的公司。

第二步——写你的故事。 三到五句话，讲你对这家公司未来五年的判断。不需要数字。比如："我认为这家公司的核心业务增长在放缓，但它的新业务线有机会在三年内成为收入的重要组成部分。主要风险是新业务需要大量投入，利润率短期会被压低。"

第三步——让 agent 做一个 DCF 估值。 要求它明确列出以下五个核心假设：收入增速、利润率趋势、资本开支比例、折现率、终值增长率。要求它解释每个假设的选择依据。

第四步——审查假设。 逐个看。哪些跟你的故事一致？哪些不一致？哪些你不确定？对于不一致的假设，让 agent 解释它为什么选了那个数字。然后你决定：接受还是改掉。至少改一个你不同意的假设。

第五步——改了之后让 agent 重算。 看估值变了多少。然后让 agent 做一个双变量敏感性分析：选你认为最不确定的两个假设，各设四到五个不同取值，生成一张估值表格。

第六步——在文档里回答三个问题：

"这个估值最敏感的假设是 __________。"

"这意味着我在赌 __________。"

"要支撑这个赌注，我需要的证据是 __________。"

第七步——存好文档。 文件名带上公司代码和日期。第 7 章你会重新打开它。

为什么要做这个

第四步——改一个假设——是整个 workshop 的关键。

当你改了一个假设、看到数字动了 30% 的时候，你会理解一件以前只是"知道"的事：估值不是算出来的。估值是选出来的。你选了什么故事，就选了什么数字。

而且你会发现第六步逼你回答的那个问题——"我在赌什么"——可能跟你之前以为的不一样。你以为自己在赌增速。敏感性分析可能告诉你，你其实在赌终值——也就是在赌这家公司十年后的竞争地位。这两个赌注需要完全不同的研究方向。

大部分投资者不知道自己到底在赌什么。这个 workshop 逼你知道。

故事和数字之间

Buffett 说过：以合理的价格买一家优秀的公司，远好于以优秀的价格买一家平庸的公司。

这句话背后的洞察是：估值不是投资决策的起点，是终点。你先判断公司的质量——它的商业模式、竞争地位、管理层的资本配置能力——然后再问"这个判断对应什么价格"。先有故事，后有数字。

Agent 把这个顺序反了过来。你给它一家公司名，它先算数字，再拼出一个跟数字匹配的故事。这不是 agent 的错——它被问了一个计算问题，它给了计算答案。

你的工作是把顺序翻回来。

先写你的故事。让 agent 把你的故事翻译成数字。然后检查那些数字之间有没有矛盾，对什么假设最敏感，跟市场价格之间的差距在讲什么。

Damodaran 在课上反复说的一句话：好的估值不会让你更确定。它会让你更清楚自己不确定什么。

这是估值最大的价值。不是"算出值多少钱"。是"搞清楚你在赌什么"。

搞清楚了之后，你才能判断这个赌值不值得下。那个判断是下一章的主题——风险不是波动率，是你输不起的那种亏损的概率。

第 6 章讲风险。LTCM 1998 年怎么在所有模型都说安全的情况下崩了。四种真正会咬人的风险。事前验尸法——让 agent 假设你的仓位在 2030 年炸了，写一份事后分析。做完这章的 workshop 再往下走。