Python大数据财务分析 课件 5.财务趋势分析

第五章财务趋势分析《Python大数据财务分析》配套课件2024/9/12目录015.1趋势分析数据预处理020403第五章财务趋势分析5.2财务趋势--盈利能力分析5.3财务趋势--其他能力分析5.4趋势分析综合评分055.5同业比较--盈利能力比较06075.6同业比较--其他能力比较5.7同业分析综合评分在上一章，我们介绍了利用Python计算上市公司的财务比率（静态分析），但我们只得到了数字，并没有进一步地进行分析。要对比率进行分析，就需要一个比较的标准，这样的标准可以是该公司以往的数值，也可以是同行业的相关数值。根据这两种标准进行财务分析，就分别称为趋势分析和同业分析，本章都将逐步介绍如何通过Python进行趋势分析和同业分析。本章首先将在得到的财务比率表的基础上，介绍利用Python实现财务趋势分析，以更客观地对企业财务数据进行评价。趋势分析主要通过画图的方式，可视化地展现各财务比率的时间趋势变化，判断该企业各项能力的变化。引言5.1趋势分析数据预处理首先我们读取上一章所读取到的贵州茅台的“财务比率表”，并进行数据处理：#读取并处理财务比率表数据df_ratio=pd.read_excel('贵州茅台.xlsx',sheet_name='财务比率表')df_ratio=df_ratio.rename(columns={'Unnamed:0':'报告期'})#第一列索引列的列名是unnamed:0,这里换成报告期df_ratio=df_ratio.set_index('报告期')#设置报告期那一列为行索引

#转置表格df_ratio=df_ratio.T#逆序排列data=df_ratio[::-1]#把inf（无限大）替换为0data[np.isinf(data)]=0data5.1趋势分析数据预处理注意由于后面需要画图，因此最好让数据按年份从小到大地排列，因此用到了逆序的操作。另外还需要把某些为inf（无限大）的值替换为0，避免无法画图。此时读取表格如表所示：5.2财务趋势--盈利能力分析首先来看盈利能力，这几个指标仍然沿用上一章，但不同的是，上一章我们仅仅计算了各年的指标数字，而这个表现到底是出色还是平平，我们无从下手分析，综合往年数据之后局势将变得明朗起来。为了是趋势分析更加直观，我们在本章对每个指标还都画出一张图来显示趋势的变动。5.2.1毛利率与上一章不同的是，我们的结果不止一行，end_date这一列终于有了信息含量。接下来我们画一张图来可视化这一结果，主要用到matplotlib包：其中第一行导入模块，第二行设置目标年份，第三行画图，传入的第一个参数作为x，第二个参数作为y，第三个参数label规定图例，第四行规定图例的位置为左上，第五行输出图片。毛利率在2017年下降了，因为毛利率反映的是毛利占营业收入的比重，这一年下降可能是营业成本上升，也可能是营业收入下降，或者二者兼有。5.2.1毛利率接下来是营业利润率：结果如图：5.2.2营业利润率扣除了三费和其他费用之后，2017年的营业利润率反而是增长的，这可能是因为2016年三费很高，而2017年三费有所下降，这一信息是毛利率所无法体现的，这也是为什么企业的能力不能完全由一个指标所概括。

然后是净利润率：结果如图：5.2.3净利润率贵州茅台2017年净利润率的增长幅度似乎要大于营业利润率，可见考虑了所得税之后盈利能力又有所不同，这告诉我们一定要综合多个指标对企业的能力进行评估。关于净资产收益率的基本概念上一章已经有所提及，这里不再赘述，上一章其实已经按加权平均法计算好了，这里直接取用即可。得到的结果如图:从这张图可以看出贵州茅台的净资产收益率从2016到2017年经历了一个大幅上升，而在2019年略有下降。5.2.4净资产收益率(ROE)目录016.1盈利能力分析0204035.3

财务趋势--其他能力分析（运营能力、偿债能力、成长能力）6.2运营能力分析6.3偿债能力分析6.4成长能力分析056.5趋势分析综合评分5.3

财务趋势--其他能力分析（运营能力、偿债能力、成长能力）与上一节相同，由于运营能力相关的比率需要用到年度平均值，即分析2016年~2019年的趋势也需要用到2015年的数据，故需要读取2015年的三张报表的数据。例如存货周转率的分母是存货的年度平均值，2016年的存货平均值需要2016年期初余额（即2015年期余额）和2016年期末余额。#第一部分：运营能力分析#①存货周转率plt.plot(years,data['存货周转率'],label='存货周转率')plt.legend(loc='upperleft')#设置图例位置为左上角plt.show()#②总资产周转率plt.plot(years,data['总资产周转率'],label='总资产周转率')plt.legend(loc='upperleft')#设置图例位置为左上角plt.show()#③应收账款周转率plt.plot(years,data['应收账款周转率'],label='应收账款周转率')plt.legend(loc='upperleft')#设置图例位置为左上角plt.show()1.运营能力分析5.3

财务趋势--其他能力分析（运营能力、偿债能力、成长能力）绘制结果：5.3

财务趋势--其他能力分析（运营能力、偿债能力、成长能力）#第二部分：偿债能力分析#①流动比率plt.plot(years,data['流动比率'],label='流动比率')plt.legend(loc='upperleft')#设置图例位置为左上角plt.show()②速动比率plt.plot(years,data['速动比率'],label='速动比率')plt.legend(loc='upperleft')#设置图例位置为左上角plt.show()#③利息保障倍数plt.plot(years,data['利息保障倍数'],label='利息保障倍数')plt.legend(loc='upperleft')#设置图例位置为左上角plt.show()2.偿债能力分析5.3

财务趋势--其他能力分析（运营能力、偿债能力、成长能力）绘制结果：贵州茅台的偿债能力一直都很强，这与它的行业地位和品牌形象有关，从这三个指标的趋势可以看出来近几年的偿债能力仍在不断上升，这对投资者来说是一个很有意义的信息，投资者可以利用这一基本面分析的结果对企业的未来展开合理预测，从而进行理性科学的投资。而这一信息从静态分析中是无法得到的。5.3

财务趋势--其他能力分析（运营能力、偿债能力、成长能力）#第三部分：成长能力分析。#①营收增长率：结果如图5-11。plt.plot(years,data['营业收入增长率'],label='营业收入增长率')plt.legend(loc='upperleft')#设置图例位置为左上角plt.show()#②营业利润增长率：结果如图5-12。plt.plot(years,data['营业利润增长率'],label='营业利润增长率')plt.legend(loc='upperleft')#设置图例位置为左上角plt.show()#③净利润增长率：结果如图5-13：plt.plot(years,data['净利润增长率'],label='净利润增长率')plt.legend(loc='upperleft')#设置图例位置为左上角plt.show()3.成长能力分析成长能力指标本身就是跨期间的增长率指标，那么多年间的比较即便是有下降，也并不意味着该指标是负数，比如营收是否在下降应该关注该值是否为负，而趋势分析中比较的是增长幅度是否有所下降。在这里提醒读者对财务指标的意义和数学含义予以关注，避免掉入数据分析的陷阱。5.3

财务趋势--其他能力分析（运营能力、偿债能力、成长能力）绘制结果：与偿债能力相似，贵州茅台的这三个指标趋势也非常类似。5.4

趋势分析综合评分接下来我们可以尝试把所有指标进行综合分析，得到一个对公司财务指标的趋势综合评分。实现该操作后，我们便可以推广到对多家公司进行批量评分，并按评分排序，筛选出在趋势分析中表现最好的公司。然而，对指标评分的标准是一个较为主观的问题，不同的分析师或投资者对此有不同的标准，因此以下仅提供一种实现评分筛选的思路，而非提供正确答案。5.4

趋势分析综合评分对于一些越大越好的指标（毛利率、存货周转率等），我们希望它每年都比上一年更高，这说明公司在不断变好，因此在对这些指标进行打分的时候，我们可以用这样的规则：某年的指标相较上一年增长则加1分，否则0分。那么现在我们拥有5年的数据，一个指标的最高分就是4分，以茅台的毛利率为例，只有2018年和2019年是较上期增长的，因此毛利率的指标上获得2分。但是像流动比率、速动比率等，指标越大并不一定越好，虽然越大说明企业短期偿债能力越好，但过高的比率可能代表了企业有大量的现金闲置，导致企业短期资金利用效率较差，会降低企业的获利能力。因此一般来说流动比率维持在2左右，速动比率维持在1左右是比较合适的。但在本节综合评分中我们为了简便暂不考虑该指标的合适范围，假设该指标越大越好。最后对每个指标打好分之后，可以对分数进行标准化为100分，例如刚刚毛利率指标得分为2分，标准化为100分的话就是50分。5.4

趋势分析综合评分接下来对每个指标进行评分，首先创建一个空列表用于存放每个指标对应的分数：scores=[]接下来依次对每个指标进行评分，需要用到for循环以及if判断：foriinrange(len(data.T)):n=0forjinrange(len(data)-1):#遍历除最后一行的所有行

ifnp.isinf(data.iloc[j,i])==True:n=n+1elifdata.iloc[j,i]>data.iloc[j+1,i]:n=n+1#分数标准化为100分

n=n/4*100scores.append(n)由于茅台17-19年没有应收账款，应收账款出现inf（无穷大）的情况，无法直接比较大小，通过isinf()函数先判断了该指标是否为inf，若为inf说明可能是不存在应收账款，我们认为这是一个好的表现，因此加分。然后再通过elif进行2次判断，看看当年的数值是否高于上一年的数值，最终将分数转为百分制，并添加到socres列表中。5.4

趋势分析综合评分得到如下的scores分数列表：[50.0,

50.0,

75.0,

50.0,

100.0,

50.0,

100.0,

75.0,

75.0,

75.0,

50.0,

50.0,

50.0]把该列表添加到财务比率表中，并保存该评分表：score_sheet=data.Tscore_sheet['评分']=scoresscore_sheet.to_excel('贵州茅台_趋势评分表.xlsx')print(score_sheet)5.4

趋势分析综合评分最后计算总得分（假设每个指标权重一样），即各指标得分的平均值：打印trend_score得到总分为：注意：这里得出的总分是求各方面得分的平均值，相当于默认每个指标在重要性上是相等的（权重相等），但这其实是不严谨的，针对不同行业或者不同发展阶段的公司，某些指标总比其他指标来得更重要，这就需要评分者对各个指标的权重有深刻的理解，如果能利用专业知识和经验设置一个更为合理科学的权重，那么结果也就自然会更加准确。5.5同业比较--盈利能力比较下面将介绍如何通过Python实现简单的同业比较和可视化呈现。这里拿贵州茅台2020年的财务数据为例，主要分析其在白酒行业中的表现，首先读取白酒行业相关数据，代码如下：打印data：英文表头中文含义Ts_code公司代码及所属交易所n_income_attr_p报告期归母净利润total_hldr_eqy_exp_min_int报告期期末归母净资产n_income净利润revenue营业收入盈利能力中选取净资产收益率和销售净利率两个指标，可视化方法主要选取同业直观比较和同业统计量分析两种思路。5.5.1净资产收益率与趋势分析相似，我们在这里的重点不在于指标本身，所以我们不计算加权平均ROE，而是选用计算更简便的全面摊薄ROE（报告期归母净利润

/报告期期末归母净资产）：table=pd.DataFrame(index=range(1))forcominrange(data.shape[0]):table.loc[0,data.loc[com,'name']]=round(data.loc[com,'n_income_attr_p']/data.loc[com,'total_hldr_eqy_exp_min_int'],4)print(table)table=table.T.sort_values(0,ascending=False).T#若对这行代码不太理解，可以把它逐个拆解打印看看plt.figure(figsize=(10,6))#设置下图片大小，不然有点挤plt.bar(table.columns,table.loc[0],label='净资产收益率（roe）')plt.legend(loc='upperright')#设置图例位置为左上角plt.xticks(range(len(table.columns)),table.columns,rotation=45)plt.show()Line1:建立一个只有一行的DataFrame，注意DataFrame传入的index必须是一个列表，所以这里的range(1)也可以写成[0]。Line2:开始对数据源的行数遍历Line3:等式左边是要写入的位置，即table表第一行，data.loc[com,‘name’]的意思是数据源中该行‘name’列的取值，即该股票名称；等式右边是我们熟悉的计算公式，采用了表格定位的方法，规定了表格的某一行，最外层嵌套了一个取小数位数的函数。5.5.1净资产收益率与趋势分析相似，我们在这里的重点不在于指标本身，所以我们不计算加权平均ROE，而是选用计算更简便的全面摊薄ROE（报告期归母净利润

/报告期期末归母净资产）：table=pd.DataFrame(index=range(1))forcominrange(data.shape[0]):table.loc[0,data.loc[com,'name']]=round(data.loc[com,'n_income_attr_p']/data.loc[com,'total_hldr_eqy_exp_min_int'],4)print(table)table=table.T.sort_values(0,ascending=False).T#若对这行代码不太理解，可以把它逐个拆解打印看看plt.figure(figsize=(10,6))#设置下图片大小，不然有点挤plt.bar(table.columns,table.loc[0],label='净资产收益率（roe）')plt.legend(loc='upperright')#设置图例位置为左上角plt.xticks(range(len(table.columns)),table.columns,rotation=45)plt.show()Line4:打印一下数据，此时数据比较乱，需先排序。Line5:首先把表格转置，才能用sort_values函数排序，规定降序，最后再把它转置回来，得到这样的表格Line6:开始绘图，设置图片大小，以免x轴公司名称过于拥挤。Line7:用到matplotlib包，只不过进行同业比较一般采用柱状图，对应着bar方法，x是table表的列名，即公司名称，y是table表的第一行，即取值。Line8:设置图例位置。Line9:坐标轴指定x轴取值显示倾斜45度角.5.5.1净资产收益率这样我们就能稍微直观地看到贵州茅台在同行业中间的表现了，可以看到水井坊位列第一，贵州茅台还是处于行业领先地位的（第三），而天佑德酒（原名：青青稞酒）是2020年唯一ROE为负数的。5.5.1净资产收益率为了更专业地体现统计意义上的水平，我们table表进行统计并可视化：des_table=table.T.describe().Tdes_table['贵州茅台']=table['贵州茅台']plt.bar(des_table.columns[1:],des_table.loc[0][1:],label='净资产收益率（roe）')plt.legend(loc='upperleft')#设置图例位置为左上角plt.show()建立一张des_table表来储存结果，第一行有两个转置，有的读者可能会挠头质疑其必要性，其实是因为python中的describe函数默认都是对列进行处理的，所以我们需要先做转换再换回来。第二行把贵州茅台的值加入结果表中。5.5.1净资产收益率输出如图:可以看到虽然与最大值有差距，但是也高于上四分位数，属于龙头企业了。5.5.2净利润率同理，可以尝试理解如下代码：table=pd.DataFrame(index=range(1))forcominrange(data.shape[0]):table.loc[0,data.loc[com,'name']]=round(data.loc[com,'n_income']/data.loc[com,'revenue'],4)table=table.T.sort_values(0,ascending=False).Tplt.figure(figsize=(10,6))#设置下图片大小，不然有点挤plt.bar(table.columns,table.loc[0],label='销售净利率')plt.legend(loc='upperleft')#设置图例位置为左上角plt.xticks(range(len(table.columns)),table.columns,rotation=45)plt.show()5.5.2净利润率输出如图：5.5.2净利润率与净资产收益率相比，贵州茅台的净利润率在同业中的表现更加突出，我们再看看统计结果，如图:5.6同业比较--其他能力比较（运营能力、偿债能力、成长能力）这一小节对运营能力、偿债能力、成长能力进行同业比较：本节用到的英文表头含义如下：英文表头中文含义Ts_code公司代码及所属交易所n_income_attr_p报告期归母净利润n_income净利润revenue营业收入oper_cost营业成本（销货成本inventories平均存货余额total_assets总资产total_cur_assets流动资产合计total_cur_liab流动负债合计5.6同业比较--其他能力比较（运营能力、偿债能力、成长能力）汇总代码如下：#第一部分：运营能力比较。运营能力我们选取存货周转率和总资产周转率两个指标。 #读取同行业股票代码com_data=pd.read_excel('com_data.xlsx')bj_com=com_data[com_data['industry']=='白酒']bj_list=bj_com['ts_code'].tolist()#①

存货周转率：如图5-21#在计算上其方法和之前计算净利润率也有所不同（因为存货周转率的分母用到了期初和期末的存货），所以需要调取期初和期末的数据，代码如下：table=pd.DataFrame(index=range(1))forcominbj_list:table.loc[0,data[data['ts_code']==com]['name']]=round(data[data['ts_code']==com]['oper_cost']*2/(data[data['ts_code']==com]['inventories']+data_2019[data_2019['ts_code']==com]['inventories']),4).iloc[0]table=table.T.sort_values(0,ascending=False).Tplt.figure(figsize=(10,6))#设置下图片大小，不然有点挤plt.bar(table.columns,table.loc[0],label='存货周转率')plt.legend(loc='upperleft')#设置图例位置为左上角plt.xticks(range(len(table.columns)),table.columns,rotation=45)plt.show()5.6同业比较--其他能力比较（运营能力、偿债能力、成长能力）汇总代码如下：#②总资产周转率：如图5-22table=pd.DataFrame(index=range(1))forcominbj_list:table.loc[0,data[data['ts_code']==com]['name']]=round(data[data['ts_code']==com]['revenue']*2/(data[data['ts_code']==com]['total_assets']+data_2019[data_2019['ts_code']==com]['total_assets']),4).iloc[0]table=table.T.sort_values(0,ascending=False).Tplt.figure(figsize=(10,6))#设置下图片大小，不然有点挤plt.bar(table.columns,table.loc[0],label='总资产周转率')plt.legend(loc='upperleft')#设置图例位置为左上角plt.xticks(range(len(table.columns)),table.columns,rotation=45)plt.show()5.6同业比较--其他能力比较（运营能力、偿债能力、成长能力）输出结果：总资产周转率的表现也不太好，位于行业中位数附近，看来2020年运营能力相较于行业一般。5.6同业比较--其他能力比较（运营能力、偿债能力、成长能力）汇总代码如下：#第二部分：偿债能力比较。偿债能力我们选取流动比率和速动比率，由于用到的数据只是2019年的，所以计算逻辑与盈利能力相似，读者同样可以自行训练，并对照下述代码：#①流动比率：结果如图5-23

table=pd.DataFrame(index=range(1))forcominrange(data.shape[0]):table.loc[0,data.loc[com,'name']]=round(data.loc[com,'total_cur_assets']/data.loc[com,'total_cur_liab'],4)table=table.T.sort_values(0,ascending=False).Tplt.figure(figsize=(10,6))#设置下图片大小，不然有点挤plt.bar(table.columns,table.loc[0],label='流动比率')plt.legend(loc='upperleft')#设置图例位置为左上角plt.xticks(range(len(table.columns)),table.columns,rotation=45)plt.show()5.6同业比较--其他能力比较（运营能力、偿债能力、成长能力）汇总代码如下：#②速动比率：结果如图5-24table=pd.DataFrame(index=range(1))forcominrange(data.shape[0]):table.loc[0,data.loc[com,'name']]=round((data.loc[com,'total_cur_assets']-data.loc[com,'inventories'])/data.loc[com,'total_cur_liab'],4)table=table.T.sort_values(0,ascending=False).Tplt.figure(figsize=(10,6))#设置下图片大小，不然有点挤plt.bar(table.columns,table.loc[0],label='速动比率')plt.legend(loc='upperleft')#设置图例位置为左上角plt.xticks(range(len(table.columns)),table.columns,rotation=45)plt.show()5.6同业比较--其他能力比较（运营能力、偿债能力、成长能力）输出结果：贵州茅台的流动比率很高，排在行业第一。相比于流动比率，贵州茅台的速动比率在同行业的优势略差一点，处于行业第二，可以体现出贵州茅台极低的风险水平，实际上，贵州茅台的偿债能力在整个股市也是数一数二的。5.6同业比较--其他能力比较（运营能力、偿债能力、成长能力）汇总代码如下：#第三部分：成长能力比较。成长能力选取营收增长率和净资本增长率，计算逻辑与运营能力相似。#①营收增长率：结果如图5-25table=pd.DataFrame(index=range(1))forcominbj_list:table.loc[0,data[data['ts_code']==com]['name']]=round((data[data['ts_code']==com]['revenue']-data_2019[data_2019['ts_code']==com]['revenue'])/data_2019[data_2019['ts_code']==com]['revenue'],4).iloc[0]table=table.T.sort_values(0,ascending=False).Tplt.figure(figsize=(10,6))#设置下图片大小，不然有点挤plt.bar(table.columns,table.loc[0],label='营收增长率')plt.legend(loc='upperleft')#设置图例位置为左上角plt.xticks(range(len(table.columns)),table.columns,rotation=45)plt.show()5.6同业比较--其他能力比较（运营能力、偿债能力、成长能力）汇总代码如下：#②净利润增长率：结果如图5-26table=pd.DataFrame(index=range(1))forcominbj_list:table.loc[0,data[data['ts_code']==com]['name']]=round((data[data['ts_code']==com]['n_income_attr_p']-data_2019[data_2019['ts_code']==com]['n_income_attr_p'])/data_2019[data_2019['ts_code']==com]['n_income_attr_p'],4).iloc[0]table=table.T.sort_values(0,ascending=False).Tplt.figure(figsize=(10,6))#设置下图片大小，不然有点挤plt.bar(table.columns,table.loc[0],label='净利润增长率')plt.legend(loc='upperright')#设置图例位置为左上角plt.xticks(range(len(table.columns)),table.columns,rotation=45)plt.show()5.6同业比较--其他能力比较（运营能力、偿债能力、成长能力）输出结果：营收增长率贵州茅台处在行业上四分位数水平，可以看出全行业的营收增长率差别还是很大的。净利润增长率上全行业差别也很大，主要是青青稞酒又一次影响了行业水平，可以看到贵州茅台还是处于行业上四分位数附近的，说明增长速度处于领先地位。5.6同业比较--其他能力比较（运营能力、偿债能力、成长能力）本节从数据读取、数据处理、可视化等方面简单介绍了如何利用Python实现简单的财务同业比较。在同业分析中应重点注意可视化方式的选取（一般选用柱状图）、特殊企业的影响（可以考虑剔除）以及统计量的选取（比如本章成长能力部分平均值不再奏效，中位数更有意义）。5.7同业分析综合评分以白酒行业为例，该行业共有20家上市公司。我们可以用这样的标准：该指标处于同业前25%，打100分；该指标处于同业50%~75%之间，打75分；该指标处于同业25%~50%之间，打50分；该指标在同业后25%，得0分。首先，读取本书提供的相关数据，计算这些公司的“财务比率表”中各项指标的5年均值，并把所有同行业公司的数据保存在一张表格中，代码如下：#导入相关库importpandasaspdimportnumpyasnpimportmatplotlib.pyplotasplt

#读取同行业股票代码com_data=pd.read_excel('com_data2.xlsx')bj_com=com_data[com_data['industry']=='白酒']bj_code=bj_com['ts_code'].tolist()bj_name=bj_com['name'].tolist()5.7同业分析综合评分#制作汇总表ratio_ind=pd.DataFrame()fornameinbj_name:#读取财务比率表数据，这部分内容不熟悉的可以复习下上一章

df_ra