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.panel("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),
    sources=["dartlab://company/show", "dartlab://company/forecast", "dartlab://macro/scenario"],
)

호출 동작

1. 결론 도출

146 시나리오 fair value 분포 + probAboveCurrent 단정. 예: “005930 현재가 78,000 / p25 fair=72,500 / p50=82,300 / p75=94,100 / probAboveCurrent=0.62 → median fair value > 현재가 (5.5% 상회) + 62% 시나리오에서 상회 — 중장기 우상향 분포 우세.”

2. 핵심 근거 수집

• c.analysis(‘growth’) — base revenue forecast
• c.analysis(‘macroSensitivity’) — rate / FX elasticity 계수
• macro(‘scenario’, market=‘KR’) — 146 시나리오 grid (rate × FX × cyclePhase × 침체)
• c.analysis(‘valuationBand’) — 적정 multiple band
• c.panel(‘BS’) — 기준 balance + 발행주식

3. 메커니즘 분석

146 시나리오 (rate × FX × phase × 침체)
   각 시나리오 → revenue elasticity 적용 → P&L path
   ↓
146 P&L path → multiple 적용 → 146 fair value
   ↓
분포 산출:
   p25 = 하위 25% fair value (보수적 valuation)
   p50 = median (중앙값)
   p75 = 상위 25% (낙관 valuation)
   probAboveCurrent = (fair > current price) 비율
   ↓
single point estimate 보완:
   p50 > current + probAboveCurrent > 60% → 상승 분포 우세
   p25 < current < p50 + probAbove ~ 50% → 양면 분포
   p75 < current                     → 하락 분포 우세

분포 std-dev 가 base price 의 5% 이상 → sensitivity 유효. < 5% → 시나리오 collapse (가정 무효 — pythonCheck falsifier 발동).

4. 반례·한계

• elasticity 가 회사별 추정 vs 산업 평균 — 산업 평균 사용 시 회사 고유성 무시.
• WACC (discount rate) 가 시나리오별 변동 — 일정 가정 시 분포 좁아짐 (보수적).
• 146 시나리오는 historical pattern 기반 — black swan 미커버.
• multiple 기반 fair value — multiple regime shift 시 분포 위치 이동.

5. 후속 모니터링

• probAboveCurrent > 70% → recipes.quant.qualityFactor 로 quality cross-check.
• distribution std-dev 큼 (sensitive) → recipes.macro.qualityMacroBeta 로 phase 정합 확인.
• p25 < 현재가 < p50 → recipes.macro.tailRiskScenarioScan 으로 하방 시나리오 매칭.

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.