lbo-model-builder - SKILL.md Agent Skill

name: lbo-model-builder title: LBO 杠杆收购模型构建 description: 当为私募股权交易/投委会材料在 Excel 模板中填充并校验 LBO 模型时使用；做：按 Sources&Uses→运营模型→债务计划→回报(IRR/MOIC)→敏感性表分段填公式、套蓝黑紫绿配色与数字格式、跑校验产出可联动的专业模型；不适用于无模板的从零搭建、DCF/三表估值或纯数据分析；触发词：LBO、杠杆收购、leveraged buyout、Sources and Uses、债务计划 debt schedule、IRR、MOIC、敏感性表 sensitivity domain: 领域/fintech triggers: [LBO, 杠杆收购, leveraged buyout, Sources and Uses, 债务计划, debt schedule, IRR, MOIC, 敏感性表, sensitivity table, 私募股权, 回报分析] tags: [lbo, finance, private-equity, excel, modeling, irr, moic, fintech] level: 精通 status: stable agents: [claude-code, codex, cursor, gemini-cli] tools: [Excel, openpyxl, Office JS, recalc.py, Python] requires: [] related: [pe-returns-sensitivity, merger-accretion-dilution-model, dcf-valuation-model, three-statement-model] combines_with: [pe-returns-sensitivity, three-statement-model, unit-economics-analyzer] license: Apache-2.0 source: anthropics/financial-services source_license: Apache-2.0

何时使用

为私募股权交易、并购材料或投委会演示，在既有 Excel 模板中填充 LBO（杠杆收购）模型：写公式、校验计算、套用专业排版。
已有模板（如 LBO_Model.xlsx）需要被严格沿用并填入用户假设，而非自行设计布局。
需要构建 Sources & Uses、运营模型、债务计划、回报（IRR/MOIC）、敏感性表等标准 LBO 模块。

不该用边界：

没有任何模板且用户也不要标准模板时——应先询问而不是凭空从零搭建。
这是 DCF、可比公司、三大报表估值等其它金融模型（本条只针对 LBO 模板填充）。
纯数据清洗/统计分析，不涉及财务建模。

步骤

确认模板（最先做）：若附带模板文件，必须严格沿用其结构，禁止从零另建——哪怕模板看起来过于复杂。若无模板，询问用户：是否有指定 LBO 模板？否则用标准模板（含 Sources & Uses / 运营模型 / 债务计划 / 回报分析）。使用标准模板时复制 examples/LBO_Model.xlsx 作为起点。
分析模板结构：定位各 section 及其上下游依赖；厘清时间轴（哪些列是哪些期间、是否有 Closing/Pro Forma 列、投影期从何处开始）；区分输入单元格 vs 公式单元格（看模板的配色/边框/底纹约定）；逐字读行标签确定期望的计算；检查是否已有公式（不要覆盖正确的既有公式）；记录符号约定、小计结构、是否分多个 tab。
选择运行环境：在 Excel 内（Office Add-in / Office JS）用 Excel.run(async (context)=>{...})，公式写 range.formulas，颜色用 range.format.font.color / fill.color，无需单独重算。生成独立 .xlsx 文件则用 Python/openpyxl，公式写成字符串后跑 recalc.py。
逐 section 填公式并与用户对账：每完成一个 section 就展示成果、跑该段校验、获得确认后再做下一个——不要端到端建完再统一展示（后段依赖前段，事后改 Sources & Uses 会牵连全局）。
完工后跑校验清单：先运行公式校验，再逐项核对平衡、投影、债务、回报、敏感性、配色与逻辑合理性。

指令

核心原则：

每个计算都必须是 Excel 公式，绝不在 Python 里算好再硬编码结果。openpyxl 写 cell.value = "=B5*B6"（公式串），而非 cell.value = 1250。模型必须随输入联动。
所有公式用正确的单元格引用；该来自其它单元格的数字不要手敲。
符号约定全程一致（流出用负还是用正，跟随模板）。
沿用模板布局，不要自创结构。

字体颜色约定（区分输入/公式/链接）：

蓝 0000FF：硬编码输入（手敲、不引用其它单元格的数字）
黑 000000：含运算的公式（=B4*B5、=SUM()、=-MAX(0,B4)）
紫 800080：同 tab 直接引用、无计算（=B9、=B45）
绿 008000：跨 tab 引用（=Assumptions!B5、='Operating Model'!C10）

填充配色（专业蓝灰，克制为上，仅蓝+灰+白）：

Section 标题：深蓝 #1F4E79 + 白色加粗
列标题（Year 1…）：浅蓝 #D9E1F2 + 黑色加粗
输入单元格：浅灰 #F2F2F2 或白（蓝字才是信号）
公式单元格：白、无填充
关键输出（IRR/MOIC/退出权益）：中蓝 #BDD7EE + 黑色加粗
不要引入绿、黄、红等多余强调色。模板自带配色则跟随模板。

数字格式： 货币 $#,##0;($#,##0);"-"；百分比 0.0%；倍数 0.0"x"；MOIC/精细比率 0.00"x"；所有数字右对齐。

校验命令（生成 .xlsx 时，必须零错误）：

python /mnt/skills/public/xlsx/recalc.py model.xlsx

示例

典型重点区与正确做法：

平衡 section：两段必须相等时（Sources = Uses），其中一项是 plug（轧差项），用差额算出。
利息与循环引用：利息用期初余额（非平均/期末）来打破循环。链路：利息 → 现金流 → 还款 → 期末余额；若利息引用期末余额就会循环。
债务还款 / 现金清扫：多档债务有优先级瀑布；现金清扫按优先级；余额不得为负，用 MAX/MIN 约束。
回报（IRR/MOIC）：现金流符号——投资为负、回款为正；用 XIRR 需配日期，用 IRR 需连续期间；MOIC = 总回款 / 总投资。
敏感性表：用奇数维度（5×5 或 7×7）保证有真正的中心格；中心格 = 基准情形，行列轴值围绕模型实际假设对称（如基准入场倍数 10.0x，则轴 = [8.0x,9.0x,10.0x,11.0x,12.0x]），中心格的 IRR/MOIC 必须等于模型实际输出（这是接线正确的证明）；中心格用中蓝 #BDD7EE + 加粗高亮。openpyxl 下 Excel DATA TABLE 可能失效，改写显式公式并用混合引用（$A5 行输入、B$4 列输入），每格应显示不同值。

Office JS 合并单元格陷阱： 不要先 .merge() 再对合并区设 .values（会抛 InvalidArgument）。应先给左上单元格写值 ws.getRange("A7").values = [["SOURCES & USES"]]，再合并并格式化整行 ws.getRange("A7:F7").merge(); ws.getRange("A7:F7").format.fill.color = "#1F4E79";

注意事项

分段检查点（每段完成后停下来与用户对账）：Sources & Uses 后核对平衡与 plug → 运营模型后核对增长率与利润率 → 债务计划后核对期初/期末余额与瀑布逻辑 → 回报后核对现金流符号与区间 → 敏感性表后确认每格变化且基准落点正确。发现错误先修复再继续。
常见错误速查：硬编码计算值（应改公式）；复制后引用错位（用 $ 锚定核对）；循环引用（用期初余额）；section 不平衡（设一项为 plug）；余额为负（MAX(0,...)）；IRR 符号/区间错；敏感性表全相同（缺混合引用）；roll-forward 不衔接（期初 ≠ 上期期末）；符号约定不一致。
校验要点：平衡项精确相等；资产 = 负债 + 权益；期末现金 = 期初 + 净现金流；利息基于期初余额；债务期末不为负；无 #REF!/#DIV/0!/#VALUE!/#NAME? 错误值；趋势与量级合理。
模板若部分预填，不要覆盖正确的既有公式（除非明确要求）。

互见

无（当前技能大典中暂无强相关条目）。

本条采编自 anthropics/financial-services（Apache-2.0）。