Datenstand: September 2026. Die Discounted-Cash-Flow-Methode gehört zu den wichtigsten Verfahren der fundamentalen Aktienbewertung. Gleichzeitig ist sie eine der Methoden, bei denen Anleger sich am leichtesten von scheinbarer Präzision täuschen lassen. Eine DCF mit zwölf Dezimalstellen ist nicht automatisch besser als eine grobe Schätzung – entscheidend ist, ob die Annahmen wirtschaftlich plausibel sind.
ChatGPT kann beim Aufbau einer DCF sehr hilfreich sein: Es kann historische Daten strukturieren, Annahmen transparent machen, Szenarien vergleichen, Sensitivitäten rechnen und Gegenargumente formulieren. Es sollte die DCF aber nicht autonom „erfinden“. Die Qualität des Modells hängt davon ab, welche Daten du vorgibst, welche Annahmen du zulässt und wie konsequent du die Ergebnisse gegenprüfst.
Das Wichtigste in Kürze
- Eine DCF bewertet zukünftige Free Cashflows und diskontiert sie auf den heutigen Wert.
- Die wichtigsten Annahmen sind Umsatzwachstum, Margen, Reinvestitionen, Kapitalkosten und Terminal Growth.
- ChatGPT ist besonders nützlich für Struktur, Szenarien und Sensitivitätsanalysen.
- Der häufigste KI-Fehler ist nicht die Mathematik, sondern eine falsche oder ungeprüfte Datenbasis.
- Eine gute DCF endet nicht mit einem einzelnen Wert, sondern mit Bear-, Base- und Bull-Szenario plus Reverse DCF.
1. Was eine DCF wirklich berechnet
Die Grundidee ist einfach: Ein Unternehmen ist wirtschaftlich so viel wert wie die zukünftigen freien Cashflows, die den Kapitalgebern zufließen können. Diese zukünftigen Cashflows werden mit einem Diskontsatz abgezinst, weil ein Euro in zehn Jahren weniger wert ist als ein Euro heute und weil zukünftige Cashflows unsicher sind.
In einer klassischen Unternehmens-DCF wird häufig der Free Cash Flow to Firm verwendet. Er steht allen Kapitalgebern zur Verfügung. Diskontiert wird mit dem gewichteten Kapitalkostensatz WACC. Vom daraus resultierenden Enterprise Value werden anschließend Nettoschulden und andere relevante Ansprüche abgezogen, um zum Eigenkapitalwert zu gelangen.
Die Formel ist weniger wichtig als die Logik dahinter: Wachstum erzeugt nur dann Wert, wenn zusätzliche Investitionen langfristig Renditen oberhalb der Kapitalkosten erzielen.
2. Bevor du ChatGPT fragst: Die Datenbasis festlegen
Die DCF sollte nicht mit einer frei formulierten KI-Antwort beginnen. Zuerst brauchst du historische Daten aus Geschäftsbericht, Quartalsbericht oder eigener Tabelle. Sinnvoll sind mindestens drei bis fünf Jahre Umsatz, operative Marge, Steuersatz, Abschreibungen, Investitionen, Working Capital und Free Cashflow.
OpenAI beschreibt Datei-Uploads als Werkzeug, um Informationen aus Dokumenten und Tabellen zu analysieren. Für DCF-Modelle ist das besonders nützlich, weil du Geschäftsberichte und eigene Finanzmodelle direkt als Arbeitsgrundlage bereitstellen kannst.
Prompt 1 – Datenbasis prüfen:
„Nutze ausschließlich die bereitgestellten Finanzdaten und Dokumente. Stelle die letzten fünf Jahre für Umsatz, EBIT, operative Marge, Steuersatz, Abschreibungen, Capex, Working Capital und Free Cashflow zusammen. Markiere fehlende Werte als unbekannt und schätze sie nicht ohne ausdrückliche Freigabe.“
3. Umsatzwachstum modellieren
Umsatzwachstum ist häufig die erste große Annahme. Der häufigste Fehler besteht darin, die letzten zwei starken Jahre einfach fortzuschreiben. Besser ist es, Wachstum in Treiber zu zerlegen: Volumen, Preise, neue Produkte, geografische Expansion und Akquisitionen.
Eine belastbare DCF sollte das Wachstum über den Detailzeitraum schrittweise normalisieren. Ein Unternehmen, das heute 25 Prozent wächst, kann nicht automatisch zehn Jahre lang mit derselben Rate weiterwachsen. Je größer das Unternehmen wird, desto schwieriger wird es, sehr hohe Wachstumsraten beizubehalten.
Prompt 2 – Wachstum modellieren:
„Zerlege das historische Umsatzwachstum in organische Treiber, Preis, Volumen und Übernahmen, soweit aus den Unterlagen möglich. Erstelle anschließend drei Wachstumsverläufe für fünf Jahre: konservativ, Basis und optimistisch. Begründe jede Annahme mit Historie, Marktgröße und Management-Guidance.“
4. Margen: Der stärkste Hebel vieler DCF-Modelle
Bei Wachstumsunternehmen hängt der Wert oft stärker von der langfristigen Marge als vom Umsatz ab. Ein Unternehmen kann stark wachsen und trotzdem wenig wert schaffen, wenn hohe Kosten dauerhaft bestehen bleiben.
Deshalb solltest du unterscheiden zwischen Bruttomarge, operativer Marge und Free-Cashflow-Marge. Eine DCF sollte nicht automatisch unterstellen, dass jede Firma mit zunehmender Größe beliebig skalierbar wird.
Wie schnell kann das Geschäft realistisch expandieren?
Welche Profitabilität ist im reifen Zustand erreichbar?
Wie viel Kapital ist für Wachstum nötig?
Wie hoch ist die geforderte Rendite der Kapitalgeber?
Welches langfristige Wachstum ist nach der Detailphase plausibel?
5. Reinvestitionen: Wachstum ist nicht kostenlos
Eine der größten Schwächen einfacher KI-DCF-Modelle ist, dass Umsatz und Gewinn wachsen, ohne dass dafür zusätzliche Investitionen nötig sind. In der Realität benötigt Wachstum häufig Capex, Working Capital, Forschung, Vertrieb oder Übernahmen.
Ein Unternehmen kann nur dann dauerhaft stark wachsen und gleichzeitig wenig investieren, wenn das Geschäftsmodell außergewöhnlich kapitalleicht ist. Deshalb sollte die DCF die Beziehung zwischen Umsatzwachstum und Reinvestitionsbedarf explizit machen.
Prompt 3 – Reinvestitionen:
„Analysiere, wie viel Capex und Working Capital historisch für zusätzliches Umsatzwachstum erforderlich waren. Prüfe, ob das Unternehmen kapitalleichter oder kapitalintensiver wird. Leite daraus eine plausible Reinvestitionsannahme für jedes Szenario ab.“
6. WACC: Warum ein Prozentpunkt so viel verändert
Der WACC ist der Diskontsatz für Cashflows an alle Kapitalgeber. Er kombiniert Eigenkapital- und Fremdkapitalkosten entsprechend ihrer Gewichtung.
Ein niedrigerer WACC erhöht den heutigen Wert zukünftiger Cashflows, ein höherer WACC senkt ihn. Bei Unternehmen, deren Wert stark aus weit in der Zukunft liegenden Cashflows besteht, ist dieser Effekt besonders groß.
Ein häufiger KI-Fehler besteht darin, einfach einen Standardwert wie 8 oder 10 Prozent einzusetzen. Das kann für ein Beispiel okay sein, aber nicht für eine belastbare Analyse. Zinssituation, Geschäftsrisiko, Verschuldung, Land und Kapitalstruktur müssen berücksichtigt werden.
7. Terminal Value: Wo sich die größte Unsicherheit versteckt
Der Terminal Value macht in vielen DCF-Modellen einen großen Teil des gesamten Unternehmenswerts aus. Genau deshalb darf er nicht zur Restgröße werden.
In der Perpetuity-Growth-Methode wird unterstellt, dass der Free Cashflow nach dem Detailzeitraum mit einer stabilen langfristigen Rate wächst. Diese Rate sollte langfristig nicht dauerhaft über dem nominalen Wachstum der Gesamtwirtschaft liegen.
Alternativ kann ein Exit Multiple verwendet werden. Dann besteht allerdings die Gefahr, eine DCF mit einer relativen Bewertung zu vermischen. Beide Methoden können als Gegenprobe sinnvoll sein.
Prompt 4 – Terminal Value:
„Berechne den Terminal Value einmal über Perpetuity Growth und einmal über ein plausibles Exit Multiple. Erkläre, welche Annahmen hinter beiden Methoden stehen und wie groß der Anteil des Terminal Value am Gesamtwert ist.“
8. Ein vollständiges hypothetisches Beispiel
Nehmen wir die fiktive Delta Software AG. Das Unternehmen erzielt 2 Milliarden Euro Umsatz, wächst aktuell um 18 Prozent und erreicht eine operative Marge von 16 Prozent. Der Free Cashflow beträgt 220 Millionen Euro.
Im konservativen Szenario sinkt das Umsatzwachstum über fünf Jahre auf 6 Prozent und die operative Marge steigt nur auf 18 Prozent. Im Basisszenario normalisiert sich Wachstum auf 8 Prozent und die Marge erreicht 22 Prozent. Im optimistischen Szenario bleiben Wachstum und Skalierung länger stark.
Wenn der WACC im Basisszenario 9 Prozent beträgt, im konservativen Fall 10,5 Prozent und im optimistischen Fall 8 Prozent, entstehen deutlich unterschiedliche Barwerte. Genau diese Spanne ist informativer als ein einziger berechneter Wert.
Die wichtigste Erkenntnis wäre nicht „Delta ist 41,27 Euro wert“, sondern: Welche Kombination aus Wachstum, Marge und Kapitalkosten braucht die Aktie, um attraktiv zu erscheinen?
9. Sensitivitätsanalyse: Der Teil, den du nie auslassen solltest
Eine DCF ohne Sensitivitätsanalyse ist unvollständig. Mindestens WACC und Terminal Growth sollten gegeneinander variiert werden. Bei manchen Unternehmen ist zusätzlich die Zielmarge ein entscheidender Parameter.
Die Sensitivität zeigt dir, ob das Modell robust ist. Wenn der faire Wert schon bei kleinen Änderungen um 40 Prozent schwankt, solltest du die DCF nicht als präzise Entscheidungsgrundlage behandeln.
Praktische Regel
Je stärker dein Ergebnis von einer einzigen Annahme abhängt, desto weniger solltest du dem einzelnen Fair Value vertrauen. Konzentriere dich dann auf die Bandbreite und die impliziten Erwartungen.
10. Reverse DCF: Oft besser als ein klassisches Kursziel
Eine Reverse DCF dreht die Frage um. Statt Annahmen zu setzen und daraus einen Wert abzuleiten, startest du mit dem heutigen Unternehmenswert und berechnest rückwärts, welche Wachstums- und Margenannahmen dafür notwendig sind.
Diese Methode ist besonders nützlich, weil sie deine Meinung vom Marktpreis trennt. Vielleicht wirkt eine Aktie teuer, aber der Kurs unterstellt nur moderate Margenverbesserungen. Oder sie wirkt günstig, obwohl der Markt bereits eine perfekte Erholung voraussetzt.
Prompt 5 – Reverse DCF:
„Nutze den aktuellen Enterprise Value als Ausgangspunkt und leite ab, welches Umsatzwachstum und welche langfristige operative Marge nötig sind, damit der heutige Preis gerechtfertigt ist. Vergleiche diese Erwartungen mit der Historie und direkten Wettbewerbern.“
11. Die sieben häufigsten KI-Fehler bei DCF-Modellen
- Erfundene oder veraltete Daten: Die KI verwendet Zahlen ohne klare Quelle oder mischt unterschiedliche Perioden.
- Zu glattes Wachstum: Umsatz wächst jedes Jahr exakt nach Plan, obwohl das Geschäft zyklisch ist.
- Kostenlose Skalierung: Margen steigen, ohne zusätzlichen Kapitalbedarf zu berücksichtigen.
- Standard-WACC: Ein beliebiger Diskontsatz wird verwendet, ohne Risiko und Kapitalstruktur zu analysieren.
- Zu hoher Terminal Growth: Langfristiges Wachstum wird unrealistisch angesetzt.
- Keine Sensitivität: Ein einzelner Fair Value wird als Ergebnis präsentiert.
- Kein Abgleich mit Marktpreis: Die impliziten Erwartungen werden nicht geprüft.
12. Wie ChatGPT die DCF tatsächlich besser macht
Der größte Vorteil liegt nicht im automatischen Rechnen. Tabellenkalkulationen können das ebenfalls. ChatGPT ist besonders nützlich, wenn es die Annahmen hinterfragt.
Bitte das Modell beispielsweise:
- historische Margen mit dem Szenario zu vergleichen,
- Wachstumsannahmen gegen Marktgröße und Management-Guidance zu prüfen,
- Bear-Case-Annahmen explizit zu formulieren,
- die drei stärksten Gegenargumente gegen das Modell zu nennen,
- und die Sensitivität auf wenige entscheidende Treiber zu reduzieren.
Damit wird die KI vom Rechenassistenten zum Modellkritiker.
DCF ist nur ein Baustein einer guten Analyse
In meinem Buch Aktienanalyse mit KI wird die Bewertung mit Geschäftsmodell, Bilanz, Cashflow, Risiken und Gegenargumenten verbunden. So entsteht ein vollständiger Prozess statt eines isolierten Bewertungsmodells.
13. Der Master-Prompt für eine DCF mit ChatGPT
Master-Prompt:
„Erstelle auf Basis der bereitgestellten Daten eine DCF für [Unternehmen]. Nutze drei Szenarien. Lege Umsatzwachstum, operative Marge, Steuersatz, Reinvestitionen, WACC und Terminal Growth offen. Kennzeichne jede Annahme als historisch belegt, Management-Guidance oder eigene Annahme. Führe eine Sensitivitätsanalyse durch und berechne zusätzlich eine Reverse DCF auf Basis des aktuellen Enterprise Value. Wenn Daten fehlen, markiere sie als unbekannt und erfinde keine Werte.“
14. DCF gegen andere Methoden prüfen
Eine DCF sollte nicht im luftleeren Raum stehen. Vergleiche das Ergebnis mit EV/EBITDA, KGV oder anderen passenden Multiples. Wenn die Methoden stark auseinanderliegen, ist das kein Grund, eine davon zu ignorieren. Es ist ein Hinweis darauf, dass unterschiedliche Annahmen untersucht werden müssen.
Unser Artikel Aktie fair bewerten: 7 Bewertungsmethoden im Vergleich zeigt, wann welche Methode sinnvoll ist.
Fazit: ChatGPT kann eine DCF schneller machen – aber nicht automatisch besser
Die Mathematik einer DCF ist vergleichsweise einfach. Die Qualität steckt in den Annahmen. Genau deshalb ist KI nur dann wertvoll, wenn sie Transparenz und Gegenprüfung erhöht.
Nutze ChatGPT, um Daten zu strukturieren, Szenarien zu entwickeln, Sensitivitäten zu prüfen und deine eigene Logik anzugreifen. Lass die KI aber keine fehlenden Werte erfinden und behandle einen berechneten Fair Value niemals als exakte Wahrheit.
Eine gute DCF ist kein Kursziel. Sie ist ein Modell darüber, welche wirtschaftliche Zukunft einen bestimmten Unternehmenswert rechtfertigen würde.
Quellen und weiterführende Informationen
- Aswath Damodaran / NYU Stern – Valuation Resources
- Aswath Damodaran – Discounted Cash Flow Valuation
- OpenAI – FAQ zu Datei-Uploads
- OpenAI – Best Practices für Prompt Engineering
Dieser Beitrag dient ausschließlich der Information und stellt keine Anlageberatung dar.
15. Welche DCF-Annahmen du niemals automatisch übernehmen solltest
Ein besonders wichtiger Kontrollschritt besteht darin, jede Annahme nach ihrer Herkunft zu kennzeichnen. Historische Werte, Management-Guidance und eigene Schätzungen sind nicht dasselbe. Wenn ChatGPT beispielsweise eine Zielmarge von 25 Prozent vorschlägt, sollte sofort klar sein, ob diese Zahl aus der Unternehmenshistorie, einem Wettbewerbervergleich oder lediglich aus einer Modellannahme stammt.
Eine einfache Regel verbessert die Qualität enorm: Lass für jede zentrale Eingabe eine Quelle oder Begründung ausgeben. Wenn keine belastbare Grundlage existiert, sollte die Annahme ausdrücklich als unsicher markiert werden. Dadurch wird aus einer scheinbar präzisen DCF ein transparentes Modell, dessen Schwachstellen sichtbar bleiben.
16. Wie du das Modell nach neuen Quartalszahlen aktualisierst
Eine DCF ist kein einmaliges Dokument. Nach Quartalszahlen ändern sich Umsatzpfad, Margen, Investitionen, Cashflow oder Verschuldung. Statt das gesamte Modell neu zu bauen, solltest du gezielt prüfen, welche Annahmen durch die neuen Daten bestätigt oder widerlegt wurden.
Bitte ChatGPT beispielsweise: „Vergleiche die neuen Quartalszahlen mit den Annahmen meiner DCF. Zeige nur jene Variablen, bei denen die tatsächliche Entwicklung deutlich vom Basisszenario abweicht, und erkläre, wie sich diese Abweichung auf den Unternehmenswert auswirken könnte.“ So bleibt die Bewertung ein lebendes Modell statt einer einmaligen Momentaufnahme.
Damit bleibt jede Veränderung des fairen Werts nachvollziehbar und auf konkrete operative Entwicklungen zurückführbar.
Genau das macht die DCF zu einem kontrollierbaren Analysewerkzeug statt zu einer scheinbar exakten Zahl.
