DCF 里每个数字，背后都是一个关于公司的故事
「AI 时代怎么投」课程 · 第 5 章 / 共 10 章
2016 年，Damodaran 在纽约大学的课上让两组学生分别给 Uber 估值。同一个 DCF 模型，同一套公开数据，一组估出来 280 亿美元，另一组估出来 620 亿，差了一倍多。而且两组都没算错，数学上都挑不出毛病。
差别出在故事上。第一组觉得 Uber 就是一家出租车公司：城市交通这个市场是有边界的，利润率迟早会被压薄。第二组觉得 Uber 是一个物流平台：市场比出租车大得多，网络效应还能把用户锁住。两个故事都说得通，灌进同一个 DCF 模型，出来的数字就是完全不一样。
大家好像都默认估值难在数学吧？数学那部分 agent 十秒就能搞定。真正难的是每个数字背后，你得选一个关于这家公司未来的故事。两组学生一个估 280 亿一个估 620 亿，差就差在这，一组信的是出租车公司的故事，一组信的是物流平台的故事。
同一个 DCF、同一套数据，选不同的故事就会算出差一倍多的估值。
目录
1. 估值就三种办法，各回答一个问题
DCF 回答的是：这家公司要是按我预期的故事走下去，今天值多少钱？做法是把未来每年的自由现金流折回今天。三种方法里它看得最深，但也最脆，随便哪个假设偏了，结果就跟着偏。
倍数法 回答的是：跟差不多的公司比，这家算贵还是便宜？市盈率、市销率都属于这一类。最快，最直觉，但它有个隐含前提，就是你找的那些「类似公司」得真的类似。
资产法 回答的是：公司今天关门清算，股东能拿回多少钱？最保守的一种，对轻资产公司基本没用。
Damodaran 说过，三种方法看同一家公司，角度完全不同，但看的是同一件事。三个角度讲出来的故事要是大差不差，信心可以高一点；要是差距很大，那就得回头看看差在哪了——多半有个关键判断你自己还没想清楚。
2. DCF 要你做五个选择
DCF 的逻辑其实特别简单：一家公司值多少钱，等于它未来所有现金流折回今天加起来。听着简单吧？所有的复杂都藏在「未来所有现金流」和「折回今天」这两个短语里。拆开看，你要做五个选择。
收入增速。 Uber 那个例子里 280 亿和 620 亿的差距，主要就来自这个数字：「出租车公司」对应一个增速，「物流平台」对应另一个增速。这个数没法直接算出来，它背后压着三个更基础的问题：市场有多大、你能吃到多少、这个速度能维持多久。
利润率。 你选哪条利润率的走势，DCF 里的现金流就有多大。这个选择其实就是你对竞争格局的判断。
资本开支和再投入。 同样是赚 10 亿，半导体公司和软件公司留在手里的自由现金流可能差三倍。
折现率。 就是你要求多高的回报来补偿风险。这个数字的影响是指数级的，对那种大部分价值都压在远期的公司影响特别大：动两个百分点，估值可能就动 30% 以上。
终值。 预测期结束之后，公司还值多少钱？大部分 DCF 里，终值要占总价值的 60% 到 80%。什么概念？你估值的六到八成，取决于你对十年以后的假设。
顺序上有个讲究：先把故事写出来，再去填数字，别反过来。这五个数字必须讲同一个故事——你填了 40% 的收入增速，又填了 30% 的利润率，等于在暗示这家公司可以不花钱还高速增长，绝大多数行业做不到这个事。先写故事还有个好处：用一句话讲清楚「我认为这家公司是什么」，回头就能检查五个数字之间有没有互相打架。两个人估值对不上，去查计算大概率查不出什么，多半就是俩人讲的故事没对上。
3. 动一动假设，看你到底在赌什么
大部分人做完 DCF 就停了，挺可惜的，后面其实还有一步：动一动假设，看数字会动多少。假设跟假设的分量差别很大，有的你动两三个百分点，估值几乎不动；有的动两三个百分点，估值直接变 30%。那个最敏感的假设，其实就是你在赌的东西，只是你自己可能没意识到。
五个假设里总有一个最敏感——动一点估值就动 30%，那面承重墙才是你真正在赌的东西。
举个例子。给一家云计算公司做 DCF，把终值增长率从 3% 降到 2%，估值掉了 25%。做的时候你心里想的可能是「它能不能保持 25% 的增速」，敏感性分析一跑就看出来了，这个估值的大头其实压在「十年之后它还在持续增长」这个假设上。这俩是两个不一样的问题啊。
再进一步，把相关的假设放在一起动：画一张二维表格，横轴一个假设，纵轴一个假设，每个格子放一个估值。然后看你觉得最可能的故事组合落在哪片区域，再看那片区域的估值跟市价是什么关系。
敏感性分析还有个附带的好处：它直接告诉你接下来该研究什么。估值对终值最敏感，就去研究这家公司的长期竞争地位；对利润率最敏感，就去研究成本结构和竞争动态。
4. agent 做估值的四个坑
第一个坑：默认讲共识。 agent 默认按市场共识来填假设，跑出来的自然就是一份共识估值。可市价本身就反映共识啊，拿共识估值去跟市价比，等于循环论证。你得把自己的故事带进去——你跟共识不一样的地方，才可能藏着优势，当然也可能藏着错误。
第二个坑：永续增长率照抄默认值。 agent 几乎一定给你填 2% 到 3% 的永续增长率。但给一家科技公司假设「永远增长」，里面藏着一个很大的判断：高增长期到底什么时候结束？这个问题 agent 不会主动问你。
第三个坑：折现率的盲区。 agent 算折现率不会犯数学错误，但它可能把一家该按 14% 折现的公司按 10% 折了，因为标准公式对它没见过的风险是视而不见的。
第四个坑：只会顺着历史外推。 agent 习惯从过去的增长率做渐进式调整。行业拐点、竞争格局突变这种历史数据里没有先例的事情，它处理不了。
回头看这四个坑，毛病出在同一个地方：agent 分不清哪些是技术参数、哪些是叙事选择，碰到叙事选择也直接当参数填个值，它不知道这一步该停下来问人。所以下面这套流程的思路很直接，讲故事的部分留给人，算的部分交给 agent。
分工的关键在于分清叙事选择和技术参数——讲故事留给人，算数字交给 agent。
流程模板
第一步，写一段关于这家公司未来的故事，三到五句就够。第二步，让 agent 按这个故事做 DCF。第三步，逐个审假设，看跟故事对不对得上。第四步，让 agent 做双变量敏感性分析。第五步，让 agent 用倍数法再做一个参考估值。第六步，比较 DCF 和倍数法的结果。
Workshop · 改一个假设，看数字动多少
时间： 60 到 90 分钟 产出： 一份估值工作文档
第一步：选一家公司。 用第 4 章 workshop 里分析过的那家就行。
第二步：写故事。 三到五句，讲清楚你对这家公司未来五年的判断，这一步不需要任何数字。
第三步：让 agent 做 DCF 估值。 要求它把所有核心假设列出来，每个假设为什么这么选都得解释。
第四步：审假设。 至少改掉一个你不同意的假设，让 agent 重算，然后做双变量敏感性分析。
第五步：在文档里把三个空填了。 「估值最敏感的假设是 __________。」「这意味着我在赌 __________。」「支撑这个赌注需要的证据是 __________。」
亲手改一个假设、看着估值动了 30%，你对那串数字的感觉会跟以前不一样：看着挺精确的，其实每一个都是人选出来的。目标价这个数，agent 随时能给你重算一个。你自己填的那三个空就不一样了——你对哪个假设最敏感、在赌什么、还缺什么证据，这三个空 agent 替你填不了，得你自己来。
第 6 章讲风险：1998 年的 LTCM，所有模型都说安全，它是怎么崩掉的。