Skip to main content
Glama
ReverseFCFFMCP

ReverseFCFFMCP

by sathanandhh

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 / roic и 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) и converged (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) и converged (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).

  1. Откройте Claude Desktop и перейдите в Settings > Developer > Edit Config.

  2. Откроется ваш файл claude_desktop_config.json.

  3. Добавьте конфигурацию reverse-fcff-mcp в ваш объект mcpServers. 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"
      ]
    }
  }
}

Related MCP Connectors

Related MCP Servers

  • A
    license
    B
    quality
    D
    maintenance
    Enables AI assistants to perform multi-stage residual income projections, discounting, and enterprise value bridging analysis using standardized financial data inputs.
    1
    19 PyPI
    MIT
  • A
    license
    Not graded
    quality
    B
    maintenance
    Standardized 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.
    1
    AGPL 3.0
  • A
    license
    Not graded
    quality
    C
    maintenance
    Enables financial modeling for SaaS and other assets via MCP tools, including simulation, scenario comparison, sensitivity analysis, semantic knowledge search, and persistent context memory.
    MIT
  • A
    license
    A
    quality
    A
    maintenance
    14 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.
    14
    51 PyPI
    1
    MIT