Self-hosted DCF-Tool: Aktien mit Damodaran-Daten und LLM-Narrativen bewerten
TL;DR
Ein Entwickler hat ein selbst gehostetes Aktienbewertungs-Tool gebaut, weil kommerzielle 'KI-Analyseprodukte' entweder die Mathematik verstecken oder Eingaben halluzinieren.
Key Points
- Das Tool berechnet den inneren Wert einer Aktie per DCF-Modell auf Basis von Damodarans Branchen-Datensätzen — Betas, Eigenkapitalrisikoprämien, Länderrisikoaufschläge.
- Jede Annahme ist sichtbar: Kapitalkosten, Reinvestitionsrate, Terminal Value. LLMs liefern Bull/Bear-Narrative mit Quellenangaben, können die Zahlen aber nicht still verändern.
- Läuft vollständig lokal via Docker, Code ist open source auf GitHub verfügbar.
- Offene Baustellen: Umgang mit Hochwaschstumstiteln, bei denen DCF strukturell an Grenzen stößt.
Nauti's Take
Das ist der richtige Ansatz für KI in der Finanzanalyse: klare Trennung zwischen dem, was berechnet wird, und dem, was das Modell nur erzählt. Dass die LLM-Schicht die Zahlen nicht überschreiben kann, ist keine Kleinigkeit — es ist architektonisch die entscheidende Designentscheidung.
Schwierig bleibt das DCF-Problem bei Wachstumstiteln, aber das ist kein Bug dieses Tools, sondern ein fundamentales Methodenproblem, das auch Wall-Street-Analysten regelmäßig ignorieren. Wer Damodarans Datensätze als Grundlage nutzt, steht auf solidem Fundament.
Hintergrund
Die meisten KI-Finanztools sind Black Boxes — das Ergebnis wirkt präzise, aber die Annahmen dahinter sind unsichtbar oder schlicht erfunden. Dieser Ansatz dreht das Prinzip um: deterministische Mathematik zuerst, LLM nur für Kontext und Narrativ. Das macht Fehler auditierbar statt unsichtbar.
Für alle, die ernsthaft mit Unternehmensbewertung arbeiten, ist Transparenz bei Terminal-Value-Annahmen kein Nice-to-have — sie ist das Kernproblem.
Quellen