회사 P&L × 매크로 시나리오 grid → 적정가치 분포 (p25/50/75)

공개 호출 방식

import dartlab
import polars as pl

target = "005930"
c = dartlab.Company(target)

def latest_period(df):
    if hasattr(df, "columns"):
        for col in df.columns:
            if str(col)[:4].isdigit():
                return str(col)
    return "latest"

def compact(obj):
    if isinstance(obj, pl.DataFrame):
        return {"type": "DataFrame", "rows": obj.height, "columns": obj.width}
    if isinstance(obj, dict):
        return {"type": "dict", "keys": list(obj.keys())[:8]}
    return {"type": type(obj).__name__}

forecast = c.analysis("growth")
macro_sensitivity = c.analysis("macroSensitivity")
valuation_band = c.analysis("valuationBand")
scenario = dartlab.macro("scenario", market="KR")
bs = c.show("BS", freq="Y")

emit_result(
    table=[
        {"step": "companyGrowth", "result": compact(forecast)},
        {"step": "macroSensitivity", "result": compact(macro_sensitivity)},
        {"step": "scenario", "result": compact(scenario)},
        {"step": "valuationBand", "result": compact(valuation_band)},
    ],
    values={"target": target, "pathSteps": 4, "scenarioReady": compact(scenario)["type"] != "NoneType"},
    date=latest_period(bs),
)

호출 동작

1. c.analysis("revenueForecast") — base revenue forecast.
2. c.analysis("macroSensitivity") — rate / FX elasticity.
3. dartlab.macro("scenario") — 146 시나리오 (rate × FX × phase grid).
4. 각 시나리오 → revenue shock → fair value (multiple 기반).
5. 분포 p25/50/75 + 현재가 대비 above 확률.

대표 반환 형태

pl.DataFrame — 단일 row:

• scenarioCount : int
• currentPrice : float
• p25FairValue : float · p50FairValue : float · p75FairValue : float
• probAboveCurrent : float
• distributionStd : float

연계 절차

1. 본 recipe → 적정가치 분포.
2. probAboveCurrent > 0.7 → strong buy / < 0.3 → strong sell signal.
3. distribution std-dev 큰 종목 → sensitivity 큰 회사. recipes.macro.betaPeerScreen 와 결합.

기본 검증

• ValidateRecipe(..., capture=False) 기준으로 공개 호출 블록이 실행되어야 한다.
• requiredEvidence의 근거 종류가 모두 반환되어야 한다.
• target을 바꿔도 Company("005930") 하드코딩 가정이 남지 않아야 한다.

AI 직접 사용 방식

1. ReadSkill 에서 사용자 질문과 whenToUse를 맞춰 이 recipe를 고른다.
2. GetSkillBody 로 본문 전체를 읽고 linkedSkills 순서대로 먼저 필요한 엔진 skill을 확인한다.
3. ## 공개 호출 방식의 첫 Python 블록을 target만 바꿔 ValidateRecipe(..., capture=False)로 smoke 실행한다.
4. 실행 결과의 skillRef, tableRef, valueRef, dateRef, executionRef 중 누락된 근거가 있으면 답변을 작성하지 말고 호출 또는 근거 요구를 보강한다.
5. 답변은 결론, 핵심 근거, 메커니즘, 반례·한계, 후속 모니터링 순서로 작성하고 falsifier.description이 있으면 반례 단락에서 반드시 확인한다.