AISVistaShares Artificial Intelligence Supercycle ETF—— 公允价值(DCF 模型)
一个确定性的两阶段贴现现金流(DCF)模型对该公司的每股公允价值估算,以及它较当前股价的高低幅度 —— 附完整假设、增长×贴现敏感性表格与方法说明。所有数值均由引擎从 SEC 申报、延迟行情与 10 年期美债收益率计算,无 LLM。这是在披露假设下的模型估算,不是目标价、预测或投资建议。
方法说明
- 两阶段 DCF。第一阶段显式预测十年现金流,第二阶段以戈登终值封顶。模型在可计算时同时运行两个变体 —— 一个基于自由现金流,一个基于盈利(净利润)。
- 公司层面美元金额预测 ÷ 当前股本。对公司层面的美元序列做预测,最后一次性除以当前股本数。美元总额不受拆股影响,而每股历史会混入拆股前后的不同口径。
- 线性增长衰减。第一阶段增长率以基准序列的历史 CAGR 为起点(约束在 0%–20%,原始 CAGR 仍会披露),线性衰减至终值增长率。
- 戈登终值增长率 = min(10 年期美债收益率, 3%)。公司无法永远快于整体经济增长;贴现率须高出终值增长率一个最小利差,否则估值不成立。
- CAPM 贴现率 = 10 年期美债 + β × 股权风险溢价(5%)。β 被约束在 0.6–2.0(异常的回归 β 会使模型失稳);未知 β 默认为 1.0。所有约束/默认均会披露。
- 诚实门槛(缺失时留空,绝不编造):至少 4 个年度数据点且首尾均为正值以锚定 CAGR;银行、保险与 REIT 不在模型适用范围内(FCF/盈利 DCF 在结构上不适配其商业模式);估值落在现价的 1/8×–8× 之外时予以保留、不显示 —— 说明假设不适配该业务,因此不给出数字。
- 给出敏感性,而非单一「神谕」数字。一个 5×5 表格(起始增长率偏移 × 贴现率偏移)展示估值如何随两项关键假设变化 —— 对模型不确定性的诚实呈现。
本页为在披露假设下的确定性模型估算,不是目标价、预测或投资建议。数据来自 SEC XBRL 申报、延迟行情与美国国债收益率;仅供参考。