ReverseFCFFMCP
ReverseFCFFMCP
Ein spezialisierter Model Context Protocol (MCP)-Server für die Durchführung von Reverse-DCF-/FCFF-Bewertungen.
Statt zu fragen: „Wie hoch ist der Wert bei meinen Annahmen?“, fragt diese Engine: „Welche Kombination aus Wachstum, Margen, Reinvestition und Marktanteil muss bei einem Zielwert (z. B. 2 Billionen $) gegeben sein?“
Funktionen
Drei Reinvestitionsmethoden: Sales-to-Capital, ROIC-basiert und explizit.
Diskontierungskonventionen: Mid-year (Damodaran-Standard) und End-year.
Terminalwert-Konsistenz: Erzwingt Terminal-Reinvestitionsrate = g / ROIC.
Reverse-Solver: Nullstellensuche (
brentq), um Marge, Wachstum, Sales-to-Capital oder ROIC zu lösen, um einen Ziel-Unternehmenswert zu erreichen.KI-Markt-Ebene: Übersetzt Terminal-Umsatz in erforderlichen KI-Marktanteil oder erforderliche Branchengröße.
Governance-Ebene: Eingabebereinigung, mathematische Schutzmechanismen (z. B. Verhinderung von WACC ≤ Terminalwachstum-Singularitäten) und automatisierte Evaluierungen.
Related MCP server: ValueScope
Verfügbare MCP-Tools
Dieser Server stellt dem MCP-Client die folgenden Tools bereit:
1. forward_dcf
Führt eine standardmäßige Forward-Discounted-Cashflow-Bewertung durch.
Eingaben:
current_revenue,revenue_cagr,ebit_margin,wacc,terminal_growth,forecast_years,net_cash,reinvestment_method,sales_to_capital/roicusw.Ausgabe: JSON mit prognostizierten Umsätzen, EBITs, NOPATs, Reinvestitionen, FCFFs, Diskontierungsfaktoren, Barwerten, Terminalwert, Unternehmenswert und Eigenkapitalwert.
2. reverse_solve_margin
Löst nach der exakten EBIT-Marge auf, die erforderlich ist, um einen Ziel-Unternehmenswert zu erreichen, bei festen Annahmen für Wachstum und Reinvestition.
Eingaben:
target_ev,fixed(ein Wörterbuch der übrigen DCF-Annahmen).Ausgabe:
ebit_margin(Float) undconverged(Boolean).
3. reverse_solve_growth
Löst nach der exakten Umsatz-CAGR auf, die erforderlich ist, um einen Ziel-Unternehmenswert zu erreichen, bei festen Annahmen für Marge und Reinvestition.
Eingaben:
target_ev,fixed(ein Wörterbuch der übrigen DCF-Annahmen).Ausgabe:
revenue_cagr(Float) undconverged(Boolean).
4. validate_damodaran_consistency
Führt strukturelle Validierungsprüfungen an einem Satz von DCF-Eingaben durch, um häufige Modellierungsfehler zu erkennen.
Eingaben: Ein vollständiges
DCFInput-Objekt.Ausgabe: Eine Liste von Warnobjekten mit Details zu verletzten Regeln (z. B.
wacc_le_terminal_growth,terminal_growth_ceiling,fundamental_growth_ceiling).
5. feasibility_grid
Führt eine Rastersuche über Kombinationen aus Wachstum, Marge und Sales-to-Capital durch, um zu bestimmen, welche Kombinationen einen Ziel-EV innerhalb einer bestimmten Toleranz erfolgreich erreichen.
Eingaben:
target_ev,fixed(Basisannahmen),param_grid(Wörterbuch der zu testenden Arrays),tolerance.Ausgabe: Eine Liste von Wörterbüchern, die jedes Szenario, seinen resultierenden EV und ein
feasible-Boolean-Flag darstellen.
6. run_evals
Führt automatisierte Governance-Evaluierungen durch, um die mathematische Integrität der Engine zu verifizieren.
Eingaben: Keine.
Ausgabe: JSON, das verifiziert, ob der Reverse-Solver Round-Trips genau durchführt und ob die harten Schutzmechanismen ungültige Eingaben erfolgreich blockieren.
Claude-Desktop-Integration (lokales stdio)
Um diesen MCP-Server lokal mit Claude Desktop zu verwenden, muss der Paketmanager uv installiert sein (pip install uv).
Öffnen Sie Claude Desktop und navigieren Sie zu Einstellungen > Entwickler > Konfiguration bearbeiten.
Dadurch wird Ihre
claude_desktop_config.json-Datei geöffnet.Fügen Sie die
reverse-fcff-mcp-Konfiguration zu IhremmcpServers-Objekt hinzu. Sie sollte wie folgt aussehen:
{
"mcpServers": {
"reverse-fcff-mcp": {
"command": "uvx",
"args": [
"--from",
"git+https://github.com/YOUR_USERNAME/reverse-fcff-mcp.git",
"python",
"-m",
"reverse_fcff_mcp.server"
]
}
}
}Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
Related MCP Connectors
Deterministic company valuation and corporate finance tools for AI agents — IRR, NPV, MOIC, DCF, WACC, enterprise value, EV multiples, CAPM, beta and sensitivity analysis via Model Context Protocol. Useful for financial analysis, equity analysis, quantitative analysis, financial projections, financial formulas and financial modeling.
Institutional hotel valuations in seconds: NOI/cap rate, USALI P&L, IRR/MOIC, markets, compsets.
Valuation MCP: DCF/NAV/CCA, WACC, derivatives, credit risk, fixed income, structured products.
Deterministic finance tools for AI agents — IRR, NPV, MOIC, DCF, WACC and sensitivity.
Related MCP Servers
- AlicenseBqualityDmaintenanceEnables AI assistants to perform multi-stage residual income projections, discounting, and enterprise value bridging analysis using standardized financial data inputs.140 PyPIMIT
- AlicenseNot gradedqualityBmaintenanceStandardized DCF valuation engine for stocks (A-shares, Hong Kong, US, Japan). One run_dcf tool with an analyst-style two-phase flow: baseline valuation from 5-year historicals, then a final valuation with reasoned assumptions — value bridge, sensitivity matrix, reverse DCF. Deterministic: same inputs, same result.1AGPL 3.0
- AlicenseNot gradedqualityDmaintenanceEnables financial modeling for SaaS and other assets via MCP tools, including simulation, scenario comparison, sensitivity analysis, semantic knowledge search, and persistent context memory.MIT
- AlicenseAqualityBmaintenance14 tools for intangible asset valuation: time value, discount rates, cost/market/income approaches, relief from royalty, MPEEM, IP, technology, customer and workforce assets, purchase price allocation, impairment, royalty analysis, Monte Carlo and decision trees. 124+ textbook formulas.1434 PyPI2MIT