Att bygga en korrekt formaterad DCF från rapportinlämningar är den där “snabba uppgiften” som i tysthet äter upp en hel eftermiddag. Du letar upp 10-K och 10-Q, klistrar in siffror i rätt celler, fixar formatering och inser sedan att ett kvartal saknas och att allt därefter blir fel.
Det här drabbar finansanalytiker först, ärligt talat. Men enskilda investerare och byråanalytiker som gör kundscreening känner av det också. Den här automatiseringen av DCF-modell hämtar Finnhub-inlämningar, beräknar TTM och CAGR och fyller din Google Sheets-modell så att du kan jämföra ticker-symboler utan att uppfinna hjulet på nytt.
Nedan ser du vad arbetsflödet gör, vad som förändras efter att du använder det och de praktiska installationsdetaljer som spelar roll när du vill ha resultat (inte ännu ett halvfärdigt kalkylark).
Så fungerar den här automatiseringen
Se hur detta löser problemet:
n8n Workflow Template: Finnhub till Google Sheets – DCF-modeller ifyllda
flowchart LR
subgraph sg0["Use if most recent company filing is quarterly report Flow"]
direction LR
n0["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/form.svg' width='40' height='40' /></div><br/>Use if most recent company f.."]
n1["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Filter Important Financials"]
n2["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>Quarterly Reports"]
n3["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/merge.svg' width='40' height='40' /></div><br/>Merge"]
n4["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/merge.svg' width='40' height='40' /></div><br/>Merge1"]
n5@{ icon: "mdi:swap-vertical", form: "rounded", label: "Split Out", pos: "b", h: 48 }
n6@{ icon: "mdi:swap-vertical", form: "rounded", label: "Split Out1", pos: "b", h: 48 }
n7@{ icon: "mdi:swap-vertical", form: "rounded", label: "Split Out2", pos: "b", h: 48 }
n8["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>Ratios"]
n9["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>MarketCap"]
n10@{ icon: "mdi:cog", form: "rounded", label: "Aggregate1", pos: "b", h: 48 }
n11["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Calculate TTM"]
n12["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/merge.svg' width='40' height='40' /></div><br/>Merge3"]
n13["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>DCF Calculator"]
n14["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/code.svg' width='40' height='40' /></div><br/>Prep For Sheets"]
n15@{ icon: "mdi:database", form: "rounded", label: "Clear GraphData", pos: "b", h: 48 }
n16@{ icon: "mdi:database", form: "rounded", label: "Update GraphData", pos: "b", h: 48 }
n17@{ icon: "mdi:database", form: "rounded", label: "Clear GrowthTable", pos: "b", h: 48 }
n18@{ icon: "mdi:database", form: "rounded", label: "Update Growth Table", pos: "b", h: 48 }
n19@{ icon: "mdi:database", form: "rounded", label: "Clear DCFTable", pos: "b", h: 48 }
n20@{ icon: "mdi:database", form: "rounded", label: "Update DCFTable", pos: "b", h: 48 }
n21["<div style='background:#f5f5f5;padding:10px;border-radius:8px;display:inline-block;border:1px solid #e0e0e0'><img src='https://flowpast.com/wp-content/uploads/n8n-workflow-icons/httprequest.dark.svg' width='40' height='40' /></div><br/>Annual Reports"]
n3 --> n1
n4 --> n14
n12 --> n10
n8 --> n12
n9 --> n12
n5 --> n15
n10 --> n11
n6 --> n17
n7 --> n19
n11 --> n3
n21 --> n3
n19 --> n20
n13 --> n4
n15 --> n16
n14 --> n5
n14 --> n6
n14 --> n7
n17 --> n18
n2 --> n3
n1 --> n13
n1 --> n4
n0 --> n21
n0 --> n2
n0 --> n8
n0 --> n9
end
%% Styling
classDef trigger fill:#e8f5e9,stroke:#388e3c,stroke-width:2px
classDef ai fill:#e3f2fd,stroke:#1976d2,stroke-width:2px
classDef aiModel fill:#e8eaf6,stroke:#3f51b5,stroke-width:2px
classDef decision fill:#fff8e1,stroke:#f9a825,stroke-width:2px
classDef database fill:#fce4ec,stroke:#c2185b,stroke-width:2px
classDef api fill:#fff3e0,stroke:#e65100,stroke-width:2px
classDef code fill:#f3e5f5,stroke:#7b1fa2,stroke-width:2px
classDef disabled stroke-dasharray: 5 5,opacity: 0.5
class n0 trigger
class n15,n16,n17,n18,n19,n20 database
class n2,n8,n9,n21 api
class n1,n11,n13,n14 code
classDef customIcon fill:none,stroke:none
class n0,n1,n2,n3,n4,n8,n9,n11,n12,n13,n14,n21 customIcon
Utmaningen: att göra rapportinlämningar till en användbar DCF (varje gång)
Fundamental analys faller ofta isär i det stökiga mellanläget. Att hämta inlämningarna är enkelt. Att omvandla dem till konsekventa, jämförbara siffror i en modell är det inte. En ticker har korrekt kvartalsrapportering, en annan har märkliga glapp, och plötsligt är din “TTM FCF” egentligen tre kvartal plus en gissning. Sedan kopierar du fel kolumn, din CAGR blir fel, och du upptäcker det först efter att du redan fattat ett beslut eller skickat rapporten till någon annan. Den mentala belastningen är värst eftersom du hela tiden dubbelkollar arbete som inte borde vara manuellt 2026.
Det blir snabbt mycket. Här är var det oftast brister.
- Att hämta 6 år av års- och kvartalsdata blir en återkommande skattjakt i rapporter och på sidor.
- TTM-matematiken blir inkonsekvent, särskilt när Q4 behöver härledas i stället för att vara snyggt rapporterat.
- Tillväxtmått som 3-års och 5-års CAGR räknas om från grunden för varje ticker, vilket bjuder in diskreta kalkylarksfel.
- Även när modellen stämmer tar formatering och diagramuppdateringar i Google Sheets fortfarande tid och stjäl fokus som du egentligen ville lägga på bedömning.
Lösningen: Finnhub → Sheets, med TTM, CAGR och DCF ifyllt
Det här arbetsflödet automatiserar hela kedjan från “rapportinlämningar till modell” med Finnhub som källa och en Google Sheets-mall som mål. Det startar när du skickar in en ticker via ett enkelt recency-formulär, och hämtar sedan årsrapporter (10-K) och kvartalsrapporter (10-Q) via HTTP-förfrågningar. Därefter rensar och väljer det ut de viktigaste finansiella fälten du faktiskt bryr dig om, beräknar riktiga TTM-värden genom att summera de fyra senaste kvartalen och räknar ut tillväxtmått som 3-års och 5-års CAGR. Slutligen kör det en DCF-modell med TTM fritt kassaflöde som bas, förbereder payloaden för ditt kalkylark, rensar gamla flikar och skriver in ny data i dina Graph-, Growth- och DCF-flikar så att diagrammen fylls i direkt.
Arbetsflödet startar med tickern och en inmatning för “hur färska ska inlämningarna vara”. Därifrån slås Finnhub-data ihop och sammanfattas, och sedan uppdateras dina modellflikar i Google Sheets i en ren sekvens (rensa först, uppdatera sedan) så att du inte får en blandning av gamla och nya rader.
Vad som förändras: före vs. efter
| Det här elimineras | Effekten du ser |
|---|---|
|
|
Effekt i verkligheten
Säg att du screenar 10 tickers en måndag. Manuell hantering kan lätt ta cirka 45 minuter per ticker för att hämta inlämningar, räkna TTM, uppdatera CAGR och hålla en DCF-flik konsekvent, så du förlorar större delen av dagen. Med det här arbetsflödet skickar du in tickern (cirka en minut), låter Finnhub hämta och modellen räkna, och sedan uppdaterar Google Sheets Graph-, Growth- och DCF-flikarna i ett svep. Även om du budgeterar 10 minuter per ticker från start till mål innebär det flera timmar tillbaka i en enda session.
Krav
- n8n-instans (prova n8n Cloud gratis)
- Alternativ för egen drift om du föredrar det (Hostinger fungerar bra)
- Finnhub för åtkomst till rapportinlämningar och marknadsdata.
- Google Sheets för att lagra modellen och dashboards.
- Finnhub API-nyckel (hämta den i din Finnhub-kontos instrumentpanel).
Kunskapsnivå: Medel. Du kopplar in autentiseringsuppgifter (Finnhub + Google OAuth) och är bekväm med att mappa fält till en Sheets-mall.
Behöver du hjälp att implementera detta? Prata med en automationsexpert (gratis 15-minuters konsultation).
Flödet i arbetsflödet
En ticker-inlämning triggar körningen. Ett formulär samlar in aktiens ticker och kravet på hur färska inlämningarna ska vara, och startar sedan tre parallella hämtningar: årsrapporter, kvartalsrapporter och ett mindre paket extra marknadskontext som nyckeltal och börsvärde.
Inlämningar hämtas och normaliseras. HTTP-förfrågningar hämtar rådata från Finnhub, och arbetsflödet slår ihop års- och kvartalsströmmar så att beräkningarna längre fram alltid ser ett konsekvent dataset (även när inlämningarna är formaterade på olika sätt).
TTM, tillväxtmått och inneboende värde beräknas. Kodnoder tar fram riktiga TTM-värden för omsättning, nettoresultat, fritt kassaflöde, utdelningar och SBC, räknar sedan 3-års och 5-års CAGR och kör DCF-modellen baserat på TTM fritt kassaflöde.
Din Google Sheets-mall uppdateras. Arbetsflödet förbereder en korrekt formaterad payload, rensar Graph-/Growth-/DCF-flikarna och skriver sedan uppdaterade tabeller så att diagram och dashboards fylls utan manuell handpåläggning.
Du kan enkelt ändra vilka mätetal du plockar ut så att de matchar din mall (till exempel lägga till en skuldspecifikation eller ändra prognoshorisonten i DCF) utifrån dina behov. Se hela implementationsguiden nedan för anpassningsalternativ.
Steg-för-steg-guide för implementering
Steg 1: konfigurera formulärtriggern
Ställ in startpunkten så att användare kan skicka in en förfrågan om aktualitet för inlämningar och starta värderingsarbetsflödet.
- Lägg till och öppna Filing Recency Form.
- Definiera de formulärfält ni vill samla in (till exempel: ticker, datumintervall för inlämningar eller tröskel för aktualitet).
- Spara formuläret så att webhook-URL:en genereras och är redo för inskickningar.
Steg 2: koppla in hämtning av finansiell data
Konfigurera grenarna för datainsamling som hämtar inlämningar, nyckeltal och börsvärde från externa källor.
- Öppna Annual Filings Fetch och konfigurera URL, metod och headers för er endpoint för årliga inlämningar.
- Öppna Quarterly Filings Fetch och konfigurera anropsdetaljerna för kvartalsvisa inlämningar.
- Öppna Retrieve Ratios och ställ in API-anropet för att hämta värderings- eller prestationsnyckeltal.
- Öppna Fetch Market Cap och ställ in API-anropet för att hämta data för börsvärde.
Steg 3: bygg den centrala pipelinen för finansiell bearbetning
Slå ihop inkommande data, beräkna släpande nyckeltal och välj de finansiella indata som används för värdering.
- Verifiera att Combine Streams slår ihop utdata från Annual Filings Fetch, Quarterly Filings Fetch och Compute TTM Values.
- Konfigurera Compute TTM Values för att beräkna släpande tolv månaders värden och skicka dess utdata till Combine Streams.
- Öppna Select Key Financials och säkerställ att den filtrerar den sammanslagna datan till de nyckeltal som behövs för värdering.
Steg 4: konfigurera värdering och aggregeringslogik
Beräkna värderingsresultat och konsolidera nyckeltal för sammanfattningar som är redo för kalkylblad.
- Öppna Run DCF Model och validera diskonterings- och kassaflödeslogiken för era DCF-beräkningar.
- Bekräfta att Aggregate Results samlar utdata från Run DCF Model och Select Key Financials.
- Konfigurera Merge Inputs för att slå ihop Retrieve Ratios och Fetch Market Cap.
- Granska Summarize Metrics för att säkerställa att den aggregerar den sammanslagna indata som förväntat.
Steg 5: förbered utdataregister för kalkylblad
Transformera den beräknade datan till rader för grafer, tillväxttabeller och DCF-utdata.
- Öppna Prepare Sheet Payload och strukturera payloaden för varje avsnitt i kalkylbladet.
- Bekräfta att Prepare Sheet Payload skickar utdata till Expand Graph Records, Expand Growth Records och Expand DCF Records parallellt.
- Säkerställ att varje nod Expand Graph Records, Expand Growth Records och Expand DCF Records delar upp payloaden i enskilda rader.
Steg 6: konfigurera utdata till Google Sheets
Rensa och uppdatera målflikarna för graf-, tillväxt- och DCF-resultat.
- I Clear Graph Sheet och Update Graph Sheet ställer ni in kalkylbladet och målintervallen för grafens utdata.
- I Clear Growth Sheet och Update Growth Sheet väljer ni samma kalkylblad och konfigurerar intervallet för tillväxtutdata.
- I Clear DCF Sheet och Update DCF Sheet definierar ni DCF-fliken och intervallet för utdata.
- Koppla Google Sheets-noderna så att varje Clear-åtgärd flödar till sin motsvarande Update-åtgärd.
Steg 7: testa och aktivera ert arbetsflöde
Validera hela pipelinen från formulärinskick till uppdateringar i kalkylblad innan ni aktiverar körningar i produktion.
- Klicka på Execute Workflow och skicka in ett test i Filing Recency Form.
- Bekräfta att de parallella grenarna kör: inlämningar, nyckeltal och börsvärdesdata ska alla fyllas på innan aggregering.
- Verifiera att Update Graph Sheet, Update Growth Sheet och Update DCF Sheet skriver nya rader i förväntade flikar.
- När resultaten ser korrekta ut, växla arbetsflödet till Active för användning i produktion.
Saker att se upp med
- Google Sheets OAuth-tokens kan gå ut eller sakna rätt behörigheter till kalkylarket. Om det skapar fel: kontrollera credential-status i n8n och bekräfta först att målarket är delat med det autentiserade Google-kontot.
- Om du hämtar många inlämningar samtidigt kan Finnhub HTTP-förfrågningar slå i rate limits eller returnera partiell data. När du ser saknade kvartal, granska körningens output från HTTP-noden och kör om med långsammare takt.
- Det här arbetsflödet använder anpassade community-noder som kräver en lokal nätverksversion av n8n. På n8n Cloud kanske det inte kör som det är, så verifiera nodkompatibilitet innan du bygger processen runt det.
Vanliga frågor
Oftast cirka en timme om din Finnhub-nyckel och Google OAuth är klara.
Ja, men du vill ha någon som är bekväm med Google Sheets-mallar och OAuth-skärmar. Ingen kodning krävs om du behåller arbetsflödet som det är.
Ja. n8n har ett gratis alternativ för egen drift och en gratis provperiod på n8n Cloud. Cloud-planer börjar på 20 USD/månad för högre volym. Du behöver också ta höjd för Finnhub API-användning (många team stannar på gratisnivån).
Två alternativ: n8n Cloud (hanterat, enklast att komma igång) eller egen drift på en VPS. För egen drift är Hostinger VPS prisvärd och hanterar n8n bra. Egen drift ger dig obegränsade körningar men kräver grundläggande serverhantering.
Börja med att justera vad “nyckelfinansiella” betyder för dig i steget Select Key Financials, eftersom det styr vad som går in i alla efterföljande beräkningar. Om din mall använder andra fliknamn eller tabellformat, uppdatera mappningen i Prepare Sheet Payload och åtgärderna för Google Sheets-uppdatering. Vanliga justeringar är att lägga till extra mätetal (som uppdelning av skuld och kassa), ändra DCF-prognoslängden i logiken Run DCF Model och skriva resultaten till en separat “Summary”-flik för snabb överblick.
Oftast är det ett OAuth-problem: en utgången token, fel Google-konto eller saknad behörighet att redigera det specifika kalkylarket. Återanslut Google Sheets-credential i n8n och bekräfta sedan att arbetsflödet pekar på rätt spreadsheet-ID och att flikarna faktiskt finns. Om du kör i en begränsad workspace kan en adminpolicy blockera åtkomst och det ser ut som ett “slumpmässigt” fel.
Om du kör n8n i egen drift finns ingen gräns för antal körningar (kapaciteten beror främst på din server och Finnhubs rate limits).
För det här use caset är n8n oftast ett bättre val eftersom du behöver databehandling i flera steg, sammanslagningar och anpassade beräkningar innan något når Google Sheets. Zapier och Make kan lösa delar av det, men komplex förgrening och tunga transformationer blir snabbt klumpigt, och du kan sluta med att betala mer när volymen skalar. n8n ger dig också möjlighet till egen drift, vilket är användbart när du kör många tickers. En sak att tänka på är att just det här arbetsflödet bygger på community-noder, så du behöver bekräfta att din miljö stödjer dem. Om du vill ha en second opinion om verktygsval, prata med en automationsexpert.
När detta väl rullar slutar dina modelluppdateringar att vara ett projekt. Du matar in en ticker och får tillbaka en konsekvent uppsättning flikar du faktiskt kan lita på.
Kontakta oss
Hör av dig, så diskuterar vi hur just din verksamhet kan dra nytta av alla fantastiska möjligheter som AI skapar.