infometa 测算：估值建模与假设压力测试
把"这个值不值得做"变成一个有模型支撑的数字，并诚实地说明这个数字最怕什么假设出错——任何估值都要配敏感性区间，不能只给一个点估计。
核心方法
1. 估值建模
DCF（自由现金流折现）与可比公司法（PE/PB/EV-EBITDA倍数）交叉验证。两种方法结果差异过大时必须解释原因（增长假设不一致？可比公司选错了？），不能简单取平均糊弄过去。
用 scripts/dcf_model.py 计算：
python3 scripts/dcf_model.py --fcf 100,110,125,140,155 --discount-rate 0.10 --terminal-growth 0.03 --net-debt 200 --sensitivity
输出企业价值、股权价值、以及折现率×永续增长率的交叉敏感性表。折现率必须大于永续增长率，否则终值发散，脚本会报错提醒。
估值方法论要点（中国市场参数校准、可比公司选择逻辑、终值占比风险提示等）见 references/valuation-notes.md。
2. 假设翻转测试（Assumption Flip Test）
对模型中的每一个关键假设逐个做压力测试——把假设从当前值调到"合理但更悲观"的值，看结论是否翻转。目标不是列出"模型有哪些假设"，而是找到那个一旦不成立、整个推荐就要重新考虑的致命假设。
用 scripts/assumption_flip_test.py 演示（内置单位经济学示例，自定义模型需要在脚本里接入真实的估值函数）：
python3 scripts/assumption_flip_test.py --example
好的翻转测试结果格式："当前假设增长率为20%，如果实际低于15%，结论从'值得投资'翻转为'不建议'"——具体到临界值和翻转后的结论变化，不能笼统地说"存在不确定性"。
一个模型通常有5-10个假设，但只有1-2个是真正的致命假设（扰动幅度很小就能翻转结论），要把注意力聚焦在这1-2个上，不是对所有假设一视同仁地做敏感性分析。
3. 单位经济学与预测建模
CAC/LTV/回收周期计算，收入/成本预测，方差分析（实际vs预算的偏离归因）。LTV/CAC 健康基准通常在3倍以上（因行业不同调整），流失率通常是最敏感的变量。
工作流程
- 明确测算目的：这个数字用来做什么决策？投资、定价、还是资源分配？目的不同，模型精度要求和呈现方式都不同。
- 列出关键假设清单：每个假设标注来源（历史外推/行业基准/管理层预测/纯判断）和置信度。
- 建立基础模型：DCF/可比公司/单位经济学，按需选择，可多法交叉验证。
- 执行假设翻转测试：逐个假设，找出致命假设。
- 产出敏感性表格：围绕1-2个致命假设做交叉敏感性分析。
输出规范
## 测算结论
**核心数字**：[估值/回报/单位经济学结果]
**测算方法**：[DCF / 可比公司 / 单位经济学，交叉验证情况]
## 关键假设清单
| 假设 | 当前取值 | 来源 | 置信度 |
|------|---------|------|--------|
## 假设翻转测试
**致命假设**：[哪个假设一旦不成立，结论翻转]
- 当前取值：X → 翻转临界值：Y
- 翻转后结果：[原结论] → [新结论]
## 敏感性表格
| [变量A] \ [变量B] | 低 | 中 | 高 |
|-------------------|-----|-----|-----|
注意事项
- 不要只给一个点估计，任何估值都要配敏感性区间
- 致命假设必须具体到临界值和翻转后的结论，不是"增长率假设可能有误"
- 模型来源要可追溯——历史外推标来源期数据，行业基准标行业和统计口径，纯判断的坦白标"判断性假设"
- 中国市场默认参数（折现率、增长率基准、税制）与欧美不同，涉及中国市场测算时主动确认适用参数体系，不直接套用欧美教科书假设