这个 Skill 能做什么，适合哪些场景？
该技能用于通过现金流折现法进行股票内在价值分析，并生成符合投行建模规范的 Excel 模型。它可从 SEC 文件、分析师报告、用户提供的数据、网页及可用的 MCP 服务器获取数据，建立历史分析、收入和利润率预测、自由现金流、WACC、终值及股权价值桥接。模型包含 Bear、Base、Bull 三种情景，并在 DCF 工作表底部生成三类敏感性分析表。技能要求在数据、预测、自由现金流、WACC、终值和敏感性分析等阶段分别与用户确认，而不是默认端到端完成。
读取用户数据、MCP 服务器数据、SEC 文件、分析师报告和必要的网页市场数据；验证净债务或净现金、稀释后股数、历史利润率、增长率和税率；分析 3 至 5 年历史收入、利润率、资本强度、营运资本和回报指标；按 Bear、Base、Bull 情景建立收入、营业费用、EBIT 和自由现金流预测；使用 CAPM、债务成本和资本结构计算 WACC；按中期约定折现预测期现金流和终值；建立企业价值到股权价值及每股价值的桥接；生成包含 DCF 和 WACC 两个工作表的 Excel 模型，并在 DCF 工作表底部生成 WACC 对终值增长率、收入增长对 EBIT 利润率以及 Beta 对无风险利率的敏感性网格。
- 投行或股票研究人员需要根据公司历史财务数据和市场数据制作可审计的五年 DCF 估值模型。
- 投资者需要比较 Bear、Base、Bull 三种增长和利润率假设下的内在价值与隐含回报。
- 财务分析师需要将 SEC 文件、分析师估计、WACC 输入和终值假设整合到一个 Excel 估值文件中。
- 模型审核人员需要检查净债务、稀释股数、资本结构、终值占比和敏感性分析是否合理。
- 需要交付可调整模型的用户希望修改假设后由 Excel 公式重新计算，而不是接收由 Python 预先计算的静态结果。
如何安装这个 Skill？
- 交付前应确认recalc.py及所有依赖真实存在，并执行覆盖公式、情景切换、敏感性表和终值约束的测试。
- 不要将外部MCP或网页数据视为已验证事实；应核对来源、日期、单位、稀释股份、净债务及终值假设。
- 需补充敏感财务数据处理、权限范围、失败后的恢复方式，以及中国大陆网络不可达时的替代流程。
- Shell / 命令行
- 网络访问
- 本地文件系统
- MCP Server
PythonopenpyxlLibreOffice
仓库 README 记录了两种安装集合的方式：在 Cowork 中进入 Settings → Plugins → Add plugin，粘贴 https://github.com/anthropics/financial-services；或在 Claude Code 中运行 claude plugin marketplace add anthropics/financial-services，再运行 claude plugin install financial-analysis@claude-for-financial-services。README 还说明 Model Builder 是一个包含 DCF、LBO、三表和可比公司模型的命名代理。源材料没有提供单独安装 dcf-model 技能的命令；该技能位于 plugins/agent-plugins/model-builder/skills/dcf-model/。
tmp="$(mktemp -d)"
git clone --depth 1 https://github.com/anthropics/financial-services.git "$tmp"
mkdir -p ~/.claude/skills
cp -R "$tmp/plugins/agent-plugins/model-builder/skills/dcf-model" ~/.claude/skills/
rm -rf "$tmp"根据源仓库地址和 Skill 路径自动生成，只复制这个 Skill 的文件夹。如果上文有作者提供的安装方式，请优先按作者说明操作；想只在当前项目中使用，把 ~/.claude/skills 换成项目里的 .claude/skills。
如何使用这个 Skill？
安装后，把下面任意一句发给 Agent 即可触发：
- 请为 [公司名称或股票代码] 建立一个五年 DCF 模型，使用可获得的 SEC 文件和市场数据，并分别展示 Bear、Base、Bull 情景
安装相关插件后，提交类似“请为 [公司名称或股票代码] 建立一个五年 DCF 模型，使用可获得的 SEC 文件和市场数据，并分别展示 Bear、Base、Bull 情景”的请求。提供公司名称或股票代码，以及收入增长假设或允许使用共识估计；可选提供预测年限、终值增长率和 WACC 输入。按技能流程，在数据检索、收入预测、自由现金流、WACC、终值与每股价值桥接、敏感性分析阶段逐步确认结果。若生成独立 XLSX 文件，技能要求使用 Python/openpyxl 创建文件，并运行 python recalc.py [path_to_excel_file] [timeout_seconds]，修复所有公式错误后再交付。
这个 Skill 有哪些优点和局限？
- 覆盖从数据验证到每股内在价值的完整 DCF 工作流。
- 要求使用可调整的 Excel 公式，而不是将预测结果作为静态硬编码数字写入。
- 包含 Bear、Base、Bull 情景、WACC 计算、中期折现约定和三类敏感性分析。
- 规定了输入注释、公式错误检查、颜色、边框、数字格式和工作表结构，便于审阅和审计。
- 支持在 Excel Office JS 环境或独立 XLSX 生成环境中实施。
- 技能依赖可用的数据来源；MCP、网页、SEC 文件或分析师报告的实际访问权限取决于运行环境。
- 源材料没有提供单独的自动化测试套件或已验证的示例输出。
- 技能要求在多个阶段与用户确认，因此不适合期望无需交互即可完成的端到端建模流程。
- 独立 XLSX 生成路径需要 Python、openpyxl、文件系统操作和按要求运行的重新计算脚本；Office JS 路径则需要运行中的 Excel 环境。
- 技能文件被明确标记为截断版本，未展示部分内容应视为未知。
这个 Skill 与同类方案有什么区别？
与相关 Skills 并排比较；分数均按同一 FSRS 标准得出。
| Skill | FS 评分 | Star 数 | 最近更新 | License |
|---|---|---|---|---|
| DCF 估值模型构建器 本页 ✓ Anthropic · 官方 | 45 · 不推荐 | ★ 40k | 1 个月前 | Apache-2.0 |
| LBO 模型构建器 ✓ Anthropic · 官方 | 50 · 谨慎使用 | ★ 40k | 1 个月前 | Apache-2.0 |
| 财务建模分析套件 ✓ Anthropic · 官方 | 38 · 不推荐 | ★ 53k | 11 天前 | MIT |
| StockValuation.io 本地估值工作流 | 58 · 推荐 | ★ 33 | 1 个月前 | Apache-2.0 |
| 三表财务模型填充器 ✓ Anthropic · 官方 | 55 · 谨慎使用 | ★ 40k | 1 个月前 | Apache-2.0 |
源材料明确区分了两种实现路径：运行在 Excel Office Add-in 或 Office JS 环境时使用 Office JS；生成独立 XLSX 文件时使用 Python/openpyxl 并运行重新计算脚本。两者遵循相同的公式、注释、布局和敏感性分析原则。
FollowSkills 如何评估这个 Skill？
技能要求分阶段向用户确认输入，并要求记录硬编码数据来源、使用公式而非静态结果，且仓库声明输出需专业人员复核；但对MCP、网页和本地Excel文件的数据流、敏感财务数据处理、最小权限、回滚机制和依赖安全缺少明确控制，因此扣分。
文档覆盖DCF流程、公式原则、异常检查和故障排查；但引用的recalc.py未出现在提供文件中，没有覆盖关键路径的测试，且Office JS、IF场景逻辑与后文INDEX集中列逻辑存在不一致，异常输入和失败反馈仍不充分。按静态校准限制，得分不超过10。
目标用户、DCF估值场景、输入来源和主要输出较清楚，也区分了Office JS与独立xlsx环境；但未明确非适用边界、触发排除条件、中文支持或中国大陆网络可达性，且核心数据能力可能依赖外部MCP和网页服务，因此扣分。
结构较完整，包含概览、约束、流程、正确与错误模式、故障排查和验证脚本；仓库提供Apache-2.0许可及贡献维护说明。但技能自身没有版本、变更记录、明确维护负责人、安装依赖说明，且引用脚本缺失，故未给高分。
技能明确以可直接使用的Excel DCF模型、敏感性分析和估值摘要为目标，公式、情景和输出格式说明较具体；但未提供已生成模型或静态可核验的代表性结果，依赖人工实现且存在文档不一致，结果仍需较多复核。按静态校准限制，得分不超过7。
公式模板、验证脚本和仓库级插件验证工作流提供了一定可审计材料；但没有针对该技能关键路径的已提交测试结果、真实执行记录或第三方交叉证据，且验证脚本本身未被证明覆盖核心建模正确性。按静态校准限制，得分不超过5。
点击维度查看打分理由
证据充分度：低 — 主要依赖静态检查、作者材料或有限演示；适合发现线索，不适合做高风险决策。
查看完整评分方法 →