假设敏感性排序表：从全量假设到优先验证清单的筛选规则

假设敏感性排序表

从全量假设到优先验证清单的筛选规则本文档提供：假设筛选的三层排序方法（龙卷风图、双变量网格、概率敏感性）及其可粘贴公式块、按输出类型分流的排序示例、重要性阈值判定规则、带判定标准的审计检查清单、排序失效排查表、完整数值示例与三套场景操作序列；本文档不提供：可直接运行的文件、特定公司的真实假设数据、特定软件的自动化敏感性模块操作说明。（内部编号：方法框架类文档）2026-10-29目录序号交付物名称所在板块读者卡点用途1假设筛选三层分流表一、分流入口假设太多，不知道从哪一层开始排按输出类型和决策阶段选择排序深度2式(1)单变量摆动幅度二、龙卷风图排序不知道“影响大”怎么量化用上下限输出差定义摆动幅度3式(2)摆动幅度归一化与方差贡献二、龙卷风图排序摆动幅度不可跨输出、跨模型比较换算为占总摆动或方差的比例4式(3)重要性阈值与优先验证名单二、龙卷风图排序排完序了，不知道前几名才值得验用累计解释比例切出验证边界5式(4)双变量敏感性网格的交互判定三、双变量网格两个假设同时变，影响不是单独变之和识别需要联合验证的假设对6式(5)蒙特卡洛模拟的输入分布赋值四、概率敏感性不知道每个假设该给多宽的波动范围用可观察的历史离散度或专家区间赋值7式(6)概率敏感性下的排序指标四、概率敏感性龙卷风图排出的顺序在概率分布下变了用秩相关系数或贡献方差重新排序8DCF估值假设排序示例表五、行业示例不知道自己的模型里谁排第一对照输出类型看排序形态9SaaS/订阅业务假设排序示例表五、行业示例经常性收入模型的关键驱动和一次性收入不同按续费/获客结构看排序10零售/连锁业务假设排序示例表五、行业示例同店和开店哪个影响大按增长来源拆分看排序11排序结果验证审计检查清单六、审计清单排完了不知道排序本身可不可信20项逐条判定12排序失效排查表七、排查表排序结果和直觉相反，找不出原因按症状定位范围设定或方法误用13两栏反例对照八、反例常见写法哪里埋了坑对照修正14完整成品示例与变量表九、示例想看一个从全量假设到优先名单算通的过程逐步骤对照复制15三套场景操作序列十、场景不同决策阶段跑到什么程度按版本选取动作序列16差异化增补汇总表附录—同类资料未覆盖的排序判定项结构导览板块定位说明一、分流入口查按输出类型和决策阶段选择排序深度二、龙卷风图排序排单变量摆动幅度与归一化三、双变量网格查交互作用识别四、概率敏感性核分布赋值与概率排序五、行业示例对按输出类型看排序形态六、审计清单勾20项逐条判定七、排查表找按失效信号定位八、反例辨两栏对照九、示例核完整数值演示十、场景选完整版/精简版/极简版打开敏感性分析页签时，最常见的卡点不是不会做龙卷风图，而是做完之后面对一张按摆动幅度排好的条形图，仍然不知道“排在前面的这几项，验证到什么程度才算够，排在后面的能不能直接跳过”。排序本身只是中间产物，它的用途是回答两个具体问题：在给定的决策时间窗口内，哪几个假设的验证投入能最大程度收窄输出的不确定性；哪些假设即使有偏差，也不会改变决策方向。没有重要性阈值和累计解释比例的排序，只是一张好看的图，不构成优先验证清单。排序的深度由输出类型和决策阶段共同决定。估值类输出（企业价值、股权价值、IRR）的排序通常由折现率和终值参数主导，龙卷风图的前两三项往往解释七成以上的摆动；经营预测类输出（收入、EBITDA、现金余额）的排序随业务模式变化，经常性收入业务和项目制业务的领先驱动完全不同。决策早期只需要单变量排序识别“值得查”的少数项，决策后期才需要概率敏感性来确认排序在联合分布下是否稳定。表1假设筛选三层分流表可观察条件推荐排序层需要的最小输入输出形态优先验证名单的切法判定逻辑决策处于早期筛选，只需知道“哪几个值得查”第一层：龙卷风图（单变量）每个假设的一个低值和高值按摆动幅度降序的条形图累计解释≥70%—80%的前几项单变量排序足以识别主导驱动，不需要概率分布存在两个假设在业务上同时变动（价与量、WACC与g）第一层+第二层：龙卷风图+双变量网格两个假设的范围二维输出矩阵网格中输出方向发生翻转的象限单变量排序会遗漏交互作用，网格补充联合效应需要报告输出分布（P10/P50/P90）或做风险量化三层全跑每个假设的概率分布或区间输出累积分布与概率排序秩相关系数绝对值排前几项+贡献方差概率敏感性下的排序可能不同于确定性排序输出是DCF/估值第一层优先，重点看WACC与终值参数WACC和g的合理区间每股市值或企业价值WACC与g通常占摆动60%—80%终值在总价值中占比高时，终值参数必然领先输出是经营预测（收入/EBITDA/现金）第一层+业务驱动拆分驱动因素的量价分解收入或利润的摆动按业务模式识别经常性与非经常性驱动没有统一的“前两名”，排序随收入结构变化假设数量超过20个先粗排再精排每个假设的宽区间（如±30%）初筛后的短名单（≤8项）短名单内再用窄区间精排全量精排的工作量不产生增量信息这张表的第一列决定排序深度，第二列决定需要准备什么输入。龙卷风图排的是“单变量摆动”，双变量网格排的是“联合效应中的方向翻转”，概率敏感性排的是“在分布假设下的统计关联”。三层不是必须全跑，但跳过第一层直接跑概率敏感性，往往会在错误的假设范围上分配计算资源。二、龙卷风图排序2.1单变量摆动幅度式(1)Swing_i=|Output(x_i=high)−Output(x_i=low)|式中，Output为选定的目标输出（企业价值、IRR、第5年收入、最低现金余额等），x_i为第i个假设，high和low为该假设的上下限。每次只变动一个假设，其余假设保持在基准值。摆动幅度越大的假设，对输出的单变量影响越大。可粘贴表达式（B列为输出基准值，C列为该假设取高值时的输出，D列为取低值时的输出）：=ABS(C2-D2)变量定义与替换说明：C2和D2需要由模型在该假设取高/低值时重新计算输出得到。如果模型是联动的三表结构，每次变动后必须等整个模型重算完成再读取输出，不能只读取局部单元格。该公式特有的两个常见错误：所有假设统一用±10%作为高低值，导致基数小的假设（如税率从25%到27.5%）被系统性低估、基数大的假设被系统性高估；高值和低值不是来自该假设真实的合理区间，而是为了“看起来整齐”人为设定，排序结果反映的是设定者的随意选择而非业务不确定性。校验方法：检查每个假设的高低值是否与其可观察的历史离散度或业务判断区间对应。对同一假设分别用宽区间（如±30%）和窄区间（如±10%）各跑一次，如果排序发生显著变化，说明该假设的摆动幅度对区间宽度高度敏感，排序结果需要在报告中标注区间依据。龙卷风图的典型形态是少数几项解释大部分摆动。Top2至3个输入通常解释方差的70%至80%。这个规律本身就可以作为排序合理性的一个粗检：如果前五项加起来只解释了40%，要么假设范围设得太窄，要么输出对模型的非线性结构比预期更复杂，需要进入第二层或第三层检查。2.2摆动幅度的归一化与方差贡献式(2)Share_i=Swing_i÷Σ_jSwing_jContribution_i=(Swing_i)²÷Σ_j(Swing_j)²第一个式子把摆动幅度换算为占总摆动的比例，第二个式子换算为对总方差的贡献比例。两个比例在假设数量较多时排序可能不同：摆动幅度大的假设在平方后权重更高。报告时至少给出其中一个，并注明所用口径。可粘贴表达式（占总摆动）：=B2/SUM($B$2:$B$21)B2为本行摆动幅度，B2:B21为全部假设的摆动幅度列。该公式特有的两个常见错误：只报告摆动金额而不报告占比，读者无法判断“摆动300万”相对于总摆动是大还是小；在假设之间存在强相关时用方差贡献做排序，平方放大了相关假设的重复计算效应，使排序偏向那些与其他假设高度共动的项。校验方法：用占总摆动和贡献方差两个口径分别排序，比较前五名的集合是否一致。如果集合差异超过两项，说明假设之间存在不可忽略的相关性，单变量排序的稳定性不足，需要进入概率敏感性或至少在报告中列出两种排序。归一化后的累计比例还用于式(3)切出优先验证名单：累计占总摆动达到70%至80%的前几项，是投入验证资源回报最高的子集。2.3重要性阈值与优先验证名单式(3)优先验证名单的切法：找到最小的k，使得Σ_{i=1}^{k}Share_i≥ττ为累计解释阈值。τ的常用起点是70%至80%，但需要根据决策阶段调整：早期筛选取70%，足以排除明显不重要的假设；最终报告取80%至85%，留出更完整的解释面。k的值就是优先验证的假设数量。可粘贴表达式（累计占比，B列为归一化后的Share，按降序排列）：=SUM($B$2:B2)B2为排序第一的Share，向下拖拽到累计值首次超过τ的行为止。该行的序号即为k。该公式特有的两个常见错误：τ设得过高（如95%），导致优先验证名单过长，验证资源被摊薄到本来不重要的假设上；只看单变量累计占比，不检查第k+1项与第k项的摆动幅度差距是否足够小。如果第k项和第k+1项的Share接近，把k卡在两者之间是武断的，应把第k+1项也纳入名单或明确标注“边界项”。校验方法：分别取τ=70%和80%计算k，如果两个k相差超过3，说明摆动幅度的衰减是渐进的，不存在天然的“前几名”断层，优先名单应取较大的k或在报告中列出两个版本。此外，用双变量网格检查名单内是否遗漏了“单变量摆动不大、但与另一假设联合时引起输出方向翻转”的假设对。三、双变量网格3.1交互作用的判定单变量龙卷风图的一个结构性盲区是：两个假设各自单独变动时输出变化不大，但同时朝不利方向变动时输出可能跨过决策阈值。双变量网格把两个假设的范围交叉，输出一个二维矩阵，用来识别这种交互作用。式(4)Interaction=[Output(high_1,high_2)−Output(low_1,high_2)]−[Output(high_1,low_2)−Output(low_1,low_2)]如果Interaction接近零，两个假设的效应近似可加；如果Interaction的绝对值相对于单变量摆动不可忽略，说明存在交互作用，两个假设需要作为一对联合验证，而不是分开验证。可粘贴表达式（C7为(high_1,high_2)的输出，D7为(low_1,high_2)，C8为(high_1,low_2)，D8为(low_1,low_2)）：=(C7-D7)-(C8-D8)该公式特有的两个常见错误：把双变量网格做成“所有两两组合”的全量矩阵，在20个假设上产生190个组合，计算量失控且绝大多数组合没有业务上的联合变动逻辑；只把网格作为展示图，不用Interaction指标判定哪些对需要进入联合验证，导致交互作用在排序中被静默忽略。校验方法：只对业务上存在联合变动逻辑的假设对（WACC与g、单价与销量、开店数与同店增速）跑网格，不跑全量组合。Interaction的绝对值超过其中任一单变量摆动幅度的20%时，该对被标记为“需要联合验证”。在最终报告中，联合验证项的优先级别不低于按其较大单变量摆动所排的位置。DCF估值中WACC与终值增长率的组合是典型的必跑对：两者不仅各自摆动大，而且g与WACC的差距收窄时，终值公式的分母趋小，交互作用会显著放大输出的敏感性。四、概率敏感性4.1输入分布赋值确定性排序把每个假设压成一个点或一个区间。概率敏感性给每个假设一个分布，通过大量抽样得到输出的累积分布，再基于分布重新排序。输入分布的赋值不能靠“均匀分布最省事”，需要对应到假设的真实不确定性形态。式(5)常见赋值方式：有历史序列且近似对称的驱动因素：Normal(μ,σ)，μ取历史均值，σ取历史标准差。有明确上下界、中间值最可能的比率或价格：Triangular(low,mode,high)。概率类假设（续费率、转化率、违约率）：Beta(α,β)，参数由历史成功/失败次数或专家等效样本量估计。波动幅度大、右偏的金额类假设（大修、诉讼）：Lognormal(μ,σ)。可粘贴表达式（Python/SciPy的三角分布抽样入口，low/mode/high替换为实际值）：importnumpyasnp

samples=np.random.triangular(low,mode,high,size=10000)该公式特有的两个常见错误：所有假设都赋均匀分布，均匀分布意味着上下界之间每个值等可能，抹掉了业务上“中间值更可能”的判断，使输出分布的两端被系统性高估；分布的σ取历史标准差，但历史期恰好处于异常稳定期或异常波动期，σ不能代表预测期的不确定性。校验方法：对每个赋值后的分布，检查抽样得到的P10至P90区间是否与确定性排序中使用的low/high区间大致对应。偏差超过一个数量级时，分布参数或确定性区间至少有一方需要修正。同时检查分布是否产生了业务上不可能的抽样值（如收入增长率为负数百个百分点），必要时截断。4.2概率排序指标式(6)在概率敏感性下，假设i的重要性用输出与假设之间的秩相关系数（Spearman）或标准化回归系数衡量：Rank_i=|Spearman(Output,x_i)|或使用贡献方差：Contribution_i=Var(E[Output|x_i])÷Var(Output)秩相关系数对非线性关系稳健，贡献方差对交互作用的捕捉更直接。两种指标排出的顺序可能不同，报告时应同时给出或注明所用指标。可粘贴表达式（Spearman秩相关系数，B列为输出抽样，C列为假设i抽样）：=ABS(CORREL(RANK(B2:B10001),RANK(C2:C10001)))该公式特有的两个常见错误：用Pearson相关系数替代Spearman，在输出与假设存在非线性或极端值影响时，Pearson会被大值域抽样点主导，排序偏向方差大的假设而非真正驱动输出的假设；只报告概率排序，不与确定性龙卷风图排序对照，读者无法判断排序变化是来自分布假设的引入还是方法本身的不稳定。校验方法：把概率排序的前五名与龙卷风图的前五名并列。如果两者集合差异超过两项，检查差异项的分布是否产生了大量极端抽样值，或该假设在确定性排序中因为区间设得过窄而被低估。概率排序不自动取代确定性排序：确定性排序回答“在给定区间内谁摆动大”，概率排序回答“在给定分布下谁与输出共变强”，两者的用途不同。五、行业示例表2DCF估值假设排序示例表（示例数据，细节为合理设定）排序假设基准值低值高值摆动幅度占总摆动累计1WACC9.0%8.0%10.0%最大约35%—45%约40%2永续增长率g2.5%1.5%3.5%次大约25%—35%约70%—75%3第5年收入增长率5%2%8%中等约8%—12%约80%4稳态经营利润率12%9%15%中等偏小约5%—8%约85%5资本开支/收入6%4%8%小约3%—5%约90%DCF输出的排序通常由WACC和终值参数主导，两者合计解释七成以上的估值范围。优先验证名单在τ=70%—75%时通常只包含这两项；如果终值占比本身很高（超过80%），g的排序可能超过WACC。WACC与g必须作为联合验证对跑双变量网格，因为两者的差距收窄时输出对参数组合的敏感度会急剧上升。表3SaaS/订阅业务假设排序示例表（示例数据，细节为合理设定）排序假设优先验证动作排序依据1客户获取成本（CAC）按渠道拆分历史CAC，验证预测期CAC是否与渠道结构变化匹配CAC和回收期通常驱动SaaS现金流变异的70%以上2月度流失率/续费率用队列数据验证各月度cohort的续费率是否稳定，而非用单一平均流失率续费率决定经常性收入的复利路径，单期小幅偏差在多年累积后影响大3ARPU或单价检查提价假设是否有合同或定价策略支撑单价与流失率存在交互，联合验证4新增客户数验证销售产能和管线覆盖新增客户数的不确定性可通过销售漏斗部分前移观察5运营费用增速验证招聘计划和固定承诺费用侧对现金流的影响通常低于收入侧驱动SaaS排序的第一个位置通常不是收入增长率，而是CAC或流失率，因为经常性收入模型的输出对“留存”和“获客效率”的敏感度高于对短期新增增速的敏感度。表4零售/连锁业务假设排序示例表（示例数据，细节为合理设定）排序假设优先验证动作排序依据1同店销售增长率按门店队列拆同店，验证新店和成熟店分开的增长率同店增速与开店数对收入的影响路径不同，同店下滑可能被开店增长掩盖2新开门店数量与爬坡曲线验证开店计划与资本开支、租约的对应关系开店数决定收入增量的规模，但爬坡速度决定增量兑现的时点3毛利率按品类和促销节奏拆分，验证新品和折扣的影响同店增长1个百分点与毛利率改善1个百分点对利润的贡献量级可能不同4租金与人工费率验证固定费用承诺和最低工资/租金调价条款费用侧刚性上涨时，同店增长不足会直接侵蚀营业利润率零售排序的关键判定点是同店增长和开店数孰先孰后。纯同店驱动的模型，同店增长排第一；开店计划激进且新店爬坡存在不确定性的模型，开店数可能升至第一或与同店并列进入联合验证。六、审计检查清单表5假设敏感性排序审计检查清单序号检查项判定标准失败后果补救动作操作路径勾选1目标输出已明确排序前写定输出指标（企业价值/IRR/收入/现金）不同输出排出的顺序不可比固定一个输出重跑输出定义☐2假设清单已去重无两个假设表达同一经济量同一驱动被重复计算合并或择一假设清单☐3高低值来源已记录每个高低值对应历史离散度或业务判断区间排序反映设定者随意性补记录或修正区间假设登记表☐4未统一使用±10%各假设区间宽度有独立依据小基数假设被低估按业务不确定性分别设区间区间列☐5单变量每次只变动一个假设其余假设保持基准值摆动幅度混杂交互效应重跑单变量敏感性设置☐6模型在每次变动后完整重算输出读取的是联动后的结果局部读取导致摆动失真强制全模型重算计算设置☐7摆动幅度已归一化报告了占总摆动或贡献方差无法判断相对重要性补算归一化式(2)☐8前2—3项解释70%—80%方差已检查单变量排序形态符合或已解释偏离区间或模型结构可能有问题进入双变量或概率敏感性累计占比☐9优先验证名单的τ已记录τ取70%—85%并有理由名单过长或过短按决策阶段调整τ式(3)☐10边界项已标注第k与第k+1项Share接近时已注明名单切分武断纳入边界项或列两个版本累计占比表☐11业务上可联合变动的假设对已识别至少覆盖WACC×g或量×价等一对交互作用被遗漏补跑双变量网格假设对清单☐12未对全量假设做两两组合网格只覆盖有业务逻辑的对计算量失控且无信息增量收缩到有逻辑的对网格范围☐13Interaction指标已计算绝对值>较大单变量摆动20%的对已标记联合验证被跳过标记并纳入名单式(4)☐14输入分布赋值有依据非全部均匀分布；σ或区间有来源输出分布两端被高估按式(5)重新赋值分布设置☐15分布未产生不可能抽样值截断后无业务上不可能的值尾部驱动排序失真截断或换分布抽样检查☐16概率排序与确定性排序已对照前五名差异超过两项时有解释排序稳定性未评估报告两种排序或查差异原因排序对照☐17概率排序指标已注明Spearman或贡献方差读者无法复现补注指标排序表☐18优先名单已对应到具体验证动作每个入选假设有一个可执行的验证动作名单停留在纸面补动作列验证计划☐19未入选假设已给出“跳过”理由不是“没时间”，而是“摆动不足以改变决策”遗漏黑天鹅补理由或调整τ排除记录☐20排序结果已随输出指标一起报告读者知道排序针对的是哪个输出排序被误用于不适用场景在标题中注明输出报告页☐七、排查表表6排序失效信号排查表症状优先怀疑的环节确认动作修复动作前五项累计只解释40%，排序曲线没有明显的“断层”假设区间设得过窄，或输出对模型结构高度非线性把前三项的区间放宽50%重跑放宽区间；若排序仍不收敛，进入双变量或概率敏感性所有假设统一±10%，基数小的假设（税率、费用率）排在末端区间设定未按基数调整检查每个假设的±10%在其自身量纲下是否等价改为按历史σ或业务合理区间设高低值龙卷风图第一名是一个业务上几乎不会变的假设（如法定税率）高值低值设成了“理论可能”而非“合理可能”检查该假设的历史变异系数把区间收窄到合理可能范围；理论极值另做压力测试概率排序与确定性排序的前五名差异很大输入分布赋值不当（如对稳定假设给了过宽分布）或输出与假设强非线性检查差异项在概率抽样中的P10—P90与确定性区间的对应关系修正分布；在报告中并列两种排序并注明用途WACC和g各自排名高，但双变量网格显示输出在某个象限急剧翻转终值公式在g接近WACC时分母过小，交互作用主导计算Interaction并检查g接近WACC的组合把WACC×g作为联合验证对，优先于单项验证优先验证名单排出来有8项，团队没有足够时间全部验证τ设得过高，或假设清单未去重检查τ取值和累计占比曲线下调τ到70%；合并重复假设；把k控制在5项以内排序结果在不同人跑出来的版本不一致高低值由手工填入且无版本记录检查假设登记表是否记录了区间来源固化区间来源和版本；排序结果随假设版本一起归档八、反例表7两栏反例对照场景有问题的写法修正写法区间设定所有假设统一±10%，理由是“保持一致才客观”每个假设按自身历史离散度或业务合理区间设高低值；统一±10%在量纲不同的假设之间不等价排序用途龙卷风图排完，按顺序逐个验证，排后面的也花同等时间用累计解释比例切出优先名单，τ=70%—80%时通常只需验证前几项；后序假设的验证投入应以“是否可能改变决策”为准，不是按排名均匀分配双变量只跑单变量龙卷风图，认为“每个假设都已经看过了”对业务上可联合变动的假设对（WACC×g、单价×销量）跑网格；Interaction超过单变量摆动20%的对纳入联合验证概率分布所有假设都赋均匀分布，理由是“没有更多信息”均匀分布意味着上下界之间等可能，通常高估尾部；比率和概率类假设用三角分布或Beta分布，有历史序列的用Normal或Lognormal输出一致性用企业价值排出一份名单，又用第5年收入排出一份，混在一起讨论固定一个输出做排序；如果决策涉及多个输出，分别排并对照，不合并成一张混合名单优先名单优先名单列了10项，被问“为什么不先验第1项”时无法回答优先名单的长度由τ和累计占比决定；每项有验证动作和预期收窄幅度；第1项之后的顺序用于资源分配，不用于跳过第1项九、完整成品示例与变量表示例案例，细节为合理设定。某业务用DCF模型估值，基准企业价值1,500（百万元）。初始假设清单包含8项：WACC、永续增长率g、第5年收入增长率、稳态经营利润率、资本开支/收入、税率、营运资本/收入、折旧/收入。用龙卷风图排单变量摆动，高低值按各自业务合理区间设定，不统一±10%。第一层排序结果：WACC（8%—10%）摆动约420；g（1.5%—3.5%）摆动约380；第5年收入增长率（2%—8%）摆动约130；稳态经营利润率（9%—15%）摆动约95；其余四项各自摆动在10—35之间，合计约70。归一化后，WACC和g的占总摆动分别约38%和34%，两者累计约72%，在τ=70%时优先验证名单为k=2。第5年收入增长率累计约84%，在τ=80%时进入名单。第二层双变量网格：对WACC和g跑交叉网格，Interaction计算显示在WACC=8%、g=3.5%的象限，输出显著高于单变量效应可加的结果，Interaction约为单变量摆动的28%，超过20%的标记线。WACC与g作为联合验证对进入名单，优先于单独验证其中任何一项。第三层概率敏感性：WACC赋Normal(9%,1%)，g赋Triangular(1.5%,2.5%,3.5%)，收入增长率赋Normal(5%,2%)，其余假设按其合理区间赋均匀或三角分布。10,000次抽样后，Spearman秩相关排序的前三名为WACC、g、收入增长率，与确定性排序的集合一致，但第二名和第三名的差距收窄。概率排序确认优先名单在联合分布下稳定，不需要因为分布假设而调整k。优先验证名单（τ=70%，k=2，加联合对）：WACC、g（作为联合对优先于单项验证）。验证动作：WACC按可比公司β和资本结构重算区间；g对照长期名义GDP增速和无风险利率的上限约束；两者联合做WACC−g差距的敏感性，确认差距收窄到2个百分点以内时输出是否仍可接受。表8示例的变量表变量案例中情形如果变量不同处置变化输出指标企业价值若输出为第5年EBITDA，WACC和g可能退出前列排序随输出变化；经营预测输出的优先名单需按业务驱动重新识别终值占比约75%若终值占比超过85%，g可能升至第一联合验证对不变，但g的单变量验证优先级提高WACC与g的差距6.5个百分点（9%−2.5%）若差距收窄到3个百分点，Interaction会显著放大联合验证的优先级进一步提高；可能需要把WACC−g本身作为一个独立假设来验证τ取值70%若取80%，k从2变为3优先名单长度变化，但前两项不变；第三项的验证投入按资源决定假设数量8项若超过20项，先粗排再精排粗排用宽区间筛出短名单，精排只在短名单内做窄区间排序表中对优先名单影响权重较高的变量是输出指标：它决定排序针对的是估值还是经营，也决定WACC和g是否出现在名单前列。十、三套场景操作序列表9三套场景操作序列版本适用人群成品包重点操作序列完整版估值分析师、FP&A三层排序+式(1)至(6)+20项审计清单+行业示例+排查表按表1选层；跑龙卷风图并归一化；用式(3)切名单；对有逻辑的假设对跑双变量网格；需要分布时跑概率敏感性并与确定性排序对照；跑全量审计清单精简版财务经理、业务财务龙卷风图+归一化+式(3)切名单+审计清单第1、3、4、7、8、9、18项固定一个输出；按业务区间设高低值；跑单变量摆动；算累计占比；取τ=70%切名单；每项写一个验证动作极简版学生、转行者单变量摆动排序+“前2—3项通常解释70%—80%”的粗检+优先验证前3项只跑龙卷风图；按摆动幅度降序；前3项累计不到60%时检查区间是否设窄；优先验证前3项，不跑双变量和概率敏感性极简版不展开双变量和概率层，在假设数量少（≤8项）、输出与假设关系近似可加的场景下，单变量排序加上累计占比粗检足以避免“所有假设平均用力”的常见错误。附录：差异化增补汇总表增补类型同类资料普遍写法本文档补充的具体内容同类忽略的内容介绍龙卷风图的画法和排序，不说明排完之后“优先验证到什么程度、切在哪里”式(3)用累计解释比例τ切出优先验证名单；审计