DCF 假設與敏感度分析：讓估值可被挑戰

多數 DCF 模型的死法不是算錯，而是「沒人知道數字從哪來」。折現公式本身是小學算術，真正決定輸出的是那幾十個假設：收入增速、利潤率、再投資強度、折現率、永續成長率。當這些假設散落在 Excel 儲存格裡、只存在於建模者腦中時，估值就變成一個無法被挑戰的黑盒——你只能選擇信或不信。

這篇文章要做的事：把 DCF 從「算出一個數字」改造成「產出一個可被挑戰的論證」。你會得到四件可以直接落地的東西：一張假設登記表模板、一套三階段現金流的結構化方法、單因子與雙因子敏感度矩陣的設計原則（含可執行的 Python 程式碼），以及一份機械化驗證清單。文中所有數字都是教學用假設值，來自一個虛構的「甲公司」，與任何真實公司或市場數據無關。如果你想先看工具層面怎麼把 DCF 跑起來，可以先讀 Open Design DCF Valuation 技能指南，這篇處理的是它上面那一層：假設治理。

一、假設登記表：讓每個假設都有來源與信心等級

專業估值與業餘估值的分水嶺，不在模型多複雜，而在每個輸入是否可追溯。做法是把所有假設抽出來，登記在一張表上，每個假設強制標註四件事：數值、來源、信心等級、敏感度影響。

來源類型建議收斂成五類，證據強度依次遞減：

信心等級的判給規則要寫死，不留模糊空間：

高：有強來源直接支持，且近期內未見矛盾資訊
中：有來源但口徑需要調整，或來源較舊、或管理層指引與歷史執行有落差
低：純分析師判斷，或多個來源互相矛盾
規則：信心「低」的假設，必須納入敏感度分析；否則模型不得出閘

以下是甲公司的假設登記表示例（全部為教學用假設值）：

這張表本身就是估值的「審計軌跡」：挑戰者不需要重跑模型，只要攻擊表上任何一行，就能精確知道結論會怎麼變。後面第六節的區間呈現、第七節的驗證門控，都建立在這張表上。

二、三階段現金流：預測什麼、在哪裡收斂

無槓桿自由現金流（Unlevered FCF）的標準骨架：

NOPAT        = EBIT × (1 − 稅率)
無槓桿 FCF   = NOPAT ＋ 折舊攤提 − 資本支出 − 營運資本增量（ΔNWC）
現值         = Σ FCF_t ÷ (1 + WACC)^t        （年末慣例）
年中慣例     = Σ FCF_t ÷ (1 + WACC)^(t − 0.5)  （假設現金全年均勻流入）

兩個慣例選一個、寫進登記表、全程不改。年中慣例通常會讓現值略高，混用是最常見的隱性錯誤之一。

預測期建議切成三個階段，各階段有不同的「預測對象」與「收斂義務」：

穩態期有三條自洽規則，違反任何一條，終值就是假的：

規則 1：g < WACC（數學收斂條件，硬性）
規則 2：g ≈ 再投資率 × 投入資本回報率（ROIC）
        —— 成長不會從天上掉下來，穩態成長需要對應的再投資
規則 3：穩態資本支出 ≥ 折舊攤提（扣除處置後）
        —— 若 CapEx 長期低於折舊，資產基數在萎縮，卻假設正成長，自相矛盾

甲公司明確預測期的 FCF 計算（教學假設值，單位：百萬）：

教學模型刻意做得很「乾淨」（利潤率恆定、比率外推），真實建模遠比這髒——但這正是重點：先把骨架標準化，髒的部分（一次性項目、口徑調整）才看得見。財報數字本身的品質檢查，見 三表聯動與現金流品質檢查。

三、WACC：只講組成與取捨，不給「標準答案」

WACC 的公式本身沒有爭議：

WACC = E/(D+E) × Ke ＋ D/(D+E) × Kd × (1 − t)

Ke（權益成本）= 無風險利率 Rf ＋ β × 股權風險溢價 ERP （＋規模溢價＋國別風險溢價，視情境）
Kd（債務成本）= 邊際新增借款成本（不是歷史平均票面利率）
t = 邊際稅率（利息抵稅用邊際口徑，不是有效稅率）

有爭議的是每個構面怎麼選。以下是必須在登記表裡寫明取捨理由的五個決策點：

還有一個工程問題：循環性。資本結構權重應該用市場價值，但市場價值（股權價值）正是 DCF 要求解的輸出。處理方式是要麼固定目標結構，要麼做迭代求解直到收斂——選哪種，寫進登記表。

本站立場是：WACC 不存在「正確值」，只存在「被清楚陳述、可被挑戰的取值」。任何工具或模型若直接給你一個「行業標準 WACC」而不展示組成與來源，都應該被視為紅旗。這也是為什麼第五節的敏感度分析必須把 WACC 當成第一軸。

四、終值：兩種方法、兩種風險

終值（Terminal Value）只有兩條主流路線，各自的失敗模式完全不同：

方法一：永續成長（Gordon Growth）
  TV_n = FCF_n × (1 + g) ÷ (WACC − g)
  PV(TV) = TV_n ÷ (1 + WACC)^n
  風險：g 與 WACC 差距越小，TV 越爆炸；模型對兩個「低信心假設」極度敏感

方法二：退出倍數（Exit Multiple）
  TV_n = EBITDA_n × 退出倍數
  風險：倍數來源必須可辯護；且倍數隱含了一個你可能不同意的永續成長率

兩條路線應該互相交叉檢查，而不是二選一之後就不再回頭。交叉檢查的做法是從退出倍數反推隱含永續成長率：

設 c = FCF_n ÷ EBITDA_n（現金流轉換率），m = 退出倍數
令兩種 TV 相等，可解出：
  g_implied = (m × WACC − c) ÷ (m + c)
反過來，給定 g，可解出隱含退出倍數：
  m_implied = c × (1 + g) ÷ (WACC − g)
若 g_implied 高於任何可辯護的長期名目成長推斷 → 退出倍數假設過高
若 m_implied 遠高於同業當前可觀察倍數區間 → 永續成長假設過高

甲公司的例子（教學假設值）：基準情境下 PV(TV) 佔企業價值約 76%。這個比例本身就是重要資訊——它告訴你這份估值有四分之三的價值建立在終值期的假設上，因此終值假設的敏感度必須比預測期假設做得更細。TV 佔比應該作為標準輸出項，每次估值都報告。

五、敏感度分析：單因子與雙因子矩陣的設計

敏感度分析不是模型的裝飾附錄，而是估值的核心輸出。設計上有三個原則：

1. 變動範圍要有依據，不是隨手 ±10%。可用的錨：該假設的歷史波動區間、分析師分歧範圍、宏觀情境的上下界。範圍選取本身也寫進登記表。
2. 優先測「影響大 × 信心低」的假設。影響大但信心高（如披露的淨負債）不值得測；信心高影響小的直接跳過。
3. 單因子回答「誰最重要」，雙因子回答「組合起來會怎樣」。兩個都要做，順序是先單後雙。

單因子：龍捲風圖的表格版

對甲公司（基準每股價值 18.5，教學假設值）逐項施加擾動，按影響幅度排序：

讀法有兩個要點。第一，排序本身就是結論：這家（虛構）公司的估值論證，本質上是「WACC 與利潤率的論證」，挑戰者應該主攻這兩項。第二，注意不對稱性：WACC 下調 0.75pp 帶來的上升（+3.0）大於上調 0.75pp 的下降（−2.4），因為折現率與價值是凸性關係。龍捲風圖若左右完全對稱，反而要懷疑計算有誤。

雙因子：WACC × g 矩陣

雙因子選軸的標準：兩個「影響最大且信心最低」的假設。DCF 的經典組合就是 WACC × g，因為兩者都是判斷、且交互作用非線性。甲公司每股價值矩陣（教學假設值，年末折現慣例）：

矩陣設計的實務規則：5×5 最易讀；步長取整（0.5pp）方便口頭辯論；基準儲存格加粗；沿對角線方向（WACC 與 g 同向變動）價值變化較小、垂直方向變化劇烈——這說明真正殺死估值的是「g 上調但 WACC 不上調」這種組合，而這種組合恰恰最難辯護。

生成矩陣的程式碼（與上文數字同源，可直接改造）：

from dataclasses import dataclass

@dataclass
class DcfAssumptions:
    revenue_base: float          # 基期收入
    growth: list[float]          # 預測期各年增速
    ebit_margin: float           # EBIT 利潤率
    tax_rate: float              # 稅率
    dep_pct: float               # 折舊攤提 / 收入
    capex_pct: float             # 資本支出 / 收入
    nwc_pct: float               # ΔNWC / 收入增量
    net_debt: float              # 淨負債
    shares: float                # 流通股數（百萬股）

def unlevered_fcf(a: DcfAssumptions) -> list[float]:
    fcfs, revenue_prev = [], a.revenue_base
    for gr in a.growth:
        revenue = revenue_prev * (1 + gr)
        nopat = revenue * a.ebit_margin * (1 - a.tax_rate)
        dep = revenue * a.dep_pct
        capex = revenue * a.capex_pct
        dnwc = (revenue - revenue_prev) * a.nwc_pct
        fcfs.append(nopat + dep - capex - dnwc)
        revenue_prev = revenue
    return fcfs

def equity_value_per_share(a: DcfAssumptions, wacc: float, g: float) -> float:
    assert g < wacc, "永續成長率必須小於 WACC，否則 Gordon 公式不收斂"
    fcfs = unlevered_fcf(a)
    pv_fcfs = sum(f / (1 + wacc) ** (t + 1) for t, f in enumerate(fcfs))
    tv = fcfs[-1] * (1 + g) / (wacc - g)
    pv_tv = tv / (1 + wacc) ** len(fcfs)
    return (pv_fcfs + pv_tv - a.net_debt) / a.shares

def sensitivity_matrix(a, waccs, gs) -> dict[tuple[float, float], float]:
    """雙因子矩陣：{ (wacc, g): 每股價值 }，供報告層直接渲染"""
    return {(w, g): equity_value_per_share(a, w, g) for w in waccs for g in gs}

注意 assert g < wacc：約束條件要寫成程式斷言，而不是寫在文件裡祈禱有人遵守。這是本站反覆強調的原則——能用代碼強制執行的規則，就不要只用文字約定。

六、結果呈現：區間、條件與「我什麼時候會錯」

估值報告的標準輸出不是一個數，而是四件東西：

1. 情景區間表。悲觀／基準／樂觀三檔，每檔列明與基準不同的假設、對應每股價值。情境必須是「內部自洽的假設組合」——悲觀情境不能只砍增速卻不動利潤率與再投資，那是偷懶而不是悲觀。
2. 關鍵驅動因子排序。來自單因子分析，告訴讀者論證的支點在哪。
3. 失效條件清單。明確寫出「滿足哪些條件時，本估值結論不成立」。例如：增速連續兩年低於悲觀情境下界；利潤率結構性下移超過擾動範圍；資本結構發生目標框架外的變化。這一欄逼迫建模者誠實面對自己的假設邊界。
4. 市場隱含假設的反推（可選但強烈建議）。用當前市價反推市場隱含的 g 或增速，再陳述你的假設與市場隱含假設的差異在哪。這樣估值結論就從「我認為值多少」升級成「我認為市場錯在哪個具體假設上」——後者才可以被挑戰、被驗證、被記錄對錯。

一份合格結論的句式長這樣（教學示例）：

在登記表 v3 的假設下，甲公司基準每股價值 18.5（教學假設值）。
g 固定在基準值、WACC 於 8.0–10.0% 變動時，區間為 15.4–22.8；
WACC 與 g 同時偏離時，矩陣角落的極端值為 13.7 與 27.8。
區間寬度主要由 WACC 與 g 的判斷驅動（見矩陣）。
本結論在以下條件下失效：……（失效條件清單）
與當前市價的差異，主要對應「收入增速是否可維持」這一項假設分歧。

全程沒有「目標價」「評級」字眼。本站所有內容均為方法教學，不構成對任何真實證券的評價或投資建議；你自己的對外輸出是否可以使用這類字眼，取決於你所處司法管轄區的合規要求，見 投研 AI 的合規邊界。

七、AI 會在這裡出錯：假設治理的機械化驗證

把 DCF 交給 AI Agent 執行時，出錯模式高度可預測。以下每一條都對應一個可機械執行的檢查：

最後一條尤其致命：LLM 對「看起來合理的財務數字」有極強的編造能力，且編得符合行業直覺，人工肉眼很難當場識破。這類錯誤的系統性分析見 AI 在金融場景的幻覺風險。防範方式不是換更強的模型，而是把「數據必須來自可追溯的抽取管道」寫成架構約束——這正是 自建投研系統 中驗證層的核心設計。

一份 DCF 產出在交付前應通過的檢查清單：

□ 假設登記表完整：每個假設有數值、來源類型、信心等級、敏感度影響
□ 信心「低」的假設全部出現在單因子敏感度分析中
□ g < WACC 斷言通過；g 未超過可辯護的長期名目成長推斷
□ TV 佔比已計算並報告；佔比過高時終值敏感度已加密
□ 折現慣例（年末／年中）全程一致，且已登記
□ 兩種終值方法交叉檢查：隱含 g 與隱含倍數均在可辯護範圍
□ 輸出為區間＋失效條件，而非單點
□ 獨立程式重算：FCF 序列、TV、矩陣至少各抽一格人工複算
□ 幣別、單位、股數口徑三處一致

這張清單的每一行都可以寫成自動化門控。當你的 DCF 流程每次運行都強制通過這九項，估值才真正從「一個數字」變成「一份可以被挑戰、也經得起挑戰的論證」。

下一步

• 可比公司分析自動化：DCF 的內在價值視角之外，用市場口徑交叉檢查，並處理同業比價最髒的口徑問題
• 三表聯動與現金流品質檢查：DCF 的輸入是財務數據，先確認數據本身不是賬面利潤陷阱
• Open Design DCF Valuation 技能指南：把本篇的假設治理套進現成的 DCF 技能執行
• 自建投研系統：把驗證清單升級為系統級的多層門控與評測集
• 決策模型的現實檢查：本站對決策類模型的實測，說明為什麼「信心門控」比「更聰明的模型」更劃算