ReverseFCFFMCP
ReverseFCFFMCP
Специализированный сервер Model Context Protocol (MCP) для выполнения обратных DCF / FCFF-оценок.
Вместо вопроса «Какова стоимость при заданных допущениях?» этот движок задаёт вопрос: «При заданной целевой стоимости (например, $2 трлн), какая комбинация роста, маржи, реинвестиций и доли рынка должна быть верной?»
Возможности
Три метода реинвестиций: Sales-to-Capital, ROIC-based и Explicit.
Конвенции дисконтирования: Mid-year (по умолчанию Damodaran) и End-year.
Согласованность терминальной стоимости: обеспечивает соблюдение терминальной ставки реинвестиций = g / ROIC.
Обратные решатели: поиск корня (
brentq) для решения относительно маржи, роста, Sales-to-Capital или ROIC, чтобы достичь целевой стоимости предприятия (Enterprise Value).AI-рыночный слой: преобразование терминальной выручки в требуемую долю AI-рынка или требуемый размер отрасли.
Уровень управления (Governance): санитизация входных данных, математические ограничения (например, предотвращение сингулярностей при WACC ≤ терминальном росте) и автоматические проверки (evals).
Related MCP server: ValueScope
Доступные MCP-инструменты
Этот сервер предоставляет следующие инструменты MCP-клиенту:
1. forward_dcf
Выполняет стандартную прямую оценку дисконтированных денежных потоков (Discounted Cash Flow).
Входные данные:
current_revenue,revenue_cagr,ebit_margin,wacc,terminal_growth,forecast_years,net_cash,reinvestment_method,sales_to_capital/roicи т.д.Выходные данные: JSON, содержащий прогнозируемые выручку, EBIT, NOPAT, реинвестиции, FCFF, коэффициенты дисконтирования, приведённые стоимости, терминальную стоимость, стоимость предприятия (Enterprise Value) и стоимость собственного капитала (Equity Value).
2. reverse_solve_margin
Решает, какая точная маржа EBIT требуется для достижения целевой стоимости предприятия при фиксированных допущениях по росту и реинвестициям.
Входные данные:
target_ev,fixed(словарь остальных допущений DCF).Выходные данные:
ebit_margin(float) иconverged(boolean).
3. reverse_solve_growth
Решает, какой точный CAGR выручки требуется для достижения целевой стоимости предприятия при фиксированных допущениях по марже и реинвестициям.
Входные данные:
target_ev,fixed(словарь остальных допущений DCF).Выходные данные:
revenue_cagr(float) иconverged(boolean).
4. validate_damodaran_consistency
Выполняет структурные проверки валидации набора входных данных DCF для выявления типичных ошибок моделирования.
Входные данные: полный объект
DCFInput.Выходные данные: список объектов предупреждений с описанием нарушенных правил (например,
wacc_le_terminal_growth,terminal_growth_ceiling,fundamental_growth_ceiling).
5. feasibility_grid
Выполняет поиск по сетке среди комбинаций роста, маржи и sales-to-capital, чтобы определить, какие комбинации успешно достигают целевой EV в пределах заданного допуска.
Входные данные:
target_ev,fixed(базовые допущения),param_grid(словарь массивов для тестирования),tolerance.Выходные данные: список словарей, представляющих каждый сценарий, его результирующую EV и логический флаг
feasible.
6. run_evals
Выполняет автоматические проверки управления (governance) для подтверждения математической целостности движка.
Входные данные: нет.
Выходные данные: JSON, подтверждающий, что обратный решатель точно выполняет round-trip и что жёсткие ограничения успешно блокируют недопустимые входные данные.
Интеграция с Claude Desktop (локальный stdio)
Чтобы использовать этот MCP-сервер локально с Claude Desktop, у вас должен быть установлен менеджер пакетов uv (pip install uv).
Откройте Claude Desktop и перейдите в Settings > Developer > Edit Config.
Откроется ваш файл
claude_desktop_config.json.Добавьте конфигурацию
reverse-fcff-mcpв ваш объектmcpServers. Она должна выглядеть так:
{
"mcpServers": {
"reverse-fcff-mcp": {
"command": "uvx",
"args": [
"--from",
"git+https://github.com/YOUR_USERNAME/reverse-fcff-mcp.git",
"python",
"-m",
"reverse_fcff_mcp.server"
]
}
}
}This server cannot be deployed
Maintenance
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.119 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 gradedqualityCmaintenanceEnables financial modeling for SaaS and other assets via MCP tools, including simulation, scenario comparison, sensitivity analysis, semantic knowledge search, and persistent context memory.MIT
- AlicenseAqualityAmaintenance14 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.1451 PyPI1MIT