Python 量化分析 |
您所在的位置：网站首页 › 净资产收益率和市盈率的关系是 › Python 量化分析 |
Python 量化分析
|
摘要
利用Python进行量化分析，AkShare获取股票基本面财务数据。进行基本面数据分析，pe市盈率、ps市销率、pb市净率、总市值等数理统计，以及图表展示。基于莫伦卡选股模型进行编码，对A股300支股票进行模型运行，得到选股参考名单。最大可能基于宏观经济市场环境，进行过滤掉垃圾股，尽可能避开风险股。
本文源码及数据下载：点击这，谢谢支持 一 环境准备 1 - Anaconda 安装参考：https://www.toutiao.com/i6825779591861240324/ 2 -AkShare 库 安装 pip install akshare -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com --user --upgrade安装完，测试数据获取 #%% ##1- 获取数据-A股 股票市场总貌 import akshare as ak stock_sse_summary_df = ak.stock_sse_summary() print(stock_sse_summary_df) ##运行结果 type item number 0 总貌 上市公司/家 1809 1 总貌 总股本/亿股（份） 42721.72 2 总貌 总市值/亿元 473985.92 3 总貌 平均市盈率/倍 17.44 0 总貌 上市股票/只 1852 1 总貌 流通股本/亿股（份） 37871.28 2 总貌 流通市值/亿元 395888.65 0 主板 上市公司/家 1589 1 主板 总股本/亿股 42066.29 2 主板 总市值/亿元 437496.82 3 主板 平均市盈率/倍 16.47 0 主板 上市股票/只 1632 1 主板 流通股本/亿股 37691.25 2 主板 流通市值/亿元 384769.06 0 科创板 上市公司/家 220 1 科创板 总股本/亿股（份） 655.43 2 科创板 总市值/亿元 36489.10 3 科创板 平均市盈率/倍 98.18 0 科创板 上市股票/只 220 1 科创板 流通股本/亿股（份） 180.03 2 科创板 流通市值/亿元 11119.59其他证券数据获取，参考AkShare数据字典 https://www.akshare.xyz/zh_CN/latest/data/index.html ##1.2- 获取工行2020年全年历史股价 日频率数据 import akshare as ak stock_zh_a_daily_qfq_df = ak.stock_zh_a_daily(symbol="sh601398", start_date="20200101", end_date="20210101", adjust="qfq") print(stock_zh_a_daily_qfq_df) ##输出结果 open high low close volume outstanding_share turnover date 2020-01-02 5.62 5.73 5.61 5.67 234949397.0 2.696122e+11 0.000871 2020-01-03 5.67 5.72 5.66 5.69 152213047.0 2.696122e+11 0.000565 2020-01-06 5.66 5.75 5.65 5.67 226509705.0 2.696122e+11 0.000840 2020-01-07 5.68 5.74 5.68 5.71 116804353.0 2.696122e+11 0.000433 2020-01-08 5.66 5.67 5.60 5.61 158559090.0 2.696122e+11 0.000588 ... ... ... ... ... ... ... ... 2020-12-25 4.96 4.97 4.95 4.97 153283872.0 2.696122e+11 0.000569 2020-12-28 4.96 4.97 4.93 4.97 231926812.0 2.696122e+11 0.000860 2020-12-29 4.97 4.98 4.95 4.98 254202319.0 2.696122e+11 0.000943 2020-12-30 4.97 4.98 4.94 4.96 254078489.0 2.696122e+11 0.000942 2020-12-31 4.95 5.01 4.95 4.99 310003990.0 2.696122e+11 0.001150 [243 rows x 7 columns] 二 股票基本面数据数理统计、数据分析，以数据为基础，对其进行科学地处理、分析，从而做出推断。统计分析，包括描述性统计Descriptive Statistics、推断统计Inferential Statistics。首先我们对数据源进行整理，排序、统计频率、绘制分布图、平均数、中位数等基础书里统计，然后对数据进行整理、归类、简化、绘图。我们目的都是为了从数据中通过统计学方式去发现挖掘其中的特征、规律。 定性数据: 行业、企业信息等，确定性质的描述性数据定量数据：股票收益数据等，确定数量的描述性数据股票的基本面指对宏观经济、行业和公司基本情况的分析，包括公司经营理念策略、公司报表等的分析。长线投资一般用基本面分析。 四个指标：第一个是市盈率市盈率，第二个是PS市销率，第三个是市净率，第四个是总市值指标 1 -PE市盈率市盈率 Price Earning Ratio,股价收益比率，公司市值÷股东应占比溢利
市盈率=市值/净利润 解读：一般情况下，一只股票市盈率越低，市价相对于股票的盈利能力越低，表明投资回收期越短，投资风险就越小，股票的投资价值就越大；反之则结论相反。如果一家公司的市盈率超过100倍，那么当前的股价就要通过该公司赚100年的利润才可以收回成本。如果这个比值过高说明该支股票的价值被高估，不过也反映了投资者对这支股票的信任，更加看重其未来的发展前景 那市盈率多少为之正常？这个没有绝对,跟行情、行业有关系，新兴产业一般市盈率比较高，风险也高。 PE-TTM静态市盈率动态市盈率正方图分布-每个区间的数量级直观观察，频率分布 import akshare as ak import pandas as pd import matplotlib.pyplot as plt stock_a_indicator_df = ak.stock_a_lg_indicator(stock="601398") plt.hist(stock_a_indicator_df.pe)## 市盈率-正方图 plt.hist(stock_a_indicator_df.pe_ttm)## 市盈率-直方图
2 -PS市销率 总市值除以主营业务收入或者股价除以每股销售额。市销率越低，说明该公司股票目前的投资价值越大 曲线图-直观根据时序变化看到数据波动情况 stock_a_indicator_df.set_index('trade_date') plt.plot(stock_a_indicator_df.trade_date,stock_a_indicator_df.ps,c='b')##市销率-曲线图
3- PB市净率 市净率(P/B) = 每股市价/每股账面净资产 解读：每股账面净资产主要取决于公司的运营情况所需要的净资产，是以成本投入来计量的，如果运营业绩出色，则资产增值越快，股票净值就越高 通过变形可以得到：市净率 = 市盈率x净资产收益率 4- 总市值 总市值=股票总股本 X 当时每股价格 一是公司的股价高低直接关系到公司的控制权；其二，良好的市值表现有利于降低公司的融资成本；其三，市值体现了企业家的价值和企业经营的成果；其四，市值直接反映上市公司对社会资本的吸纳能力，影响和决定着公司的未来发展。但是也有个别操纵操作虚假的嫌疑，未必能反映真实情况。 4个指标曲线图显示 df =stock_a_indicator_df ax1 = plt.subplot(411) plt.plot(df.trade_date,df.pe)#市盈率 plt.setp(ax1.get_xticklabels(), visible=False) ax2 = plt.subplot(412) plt.plot(df.trade_date,df.ps)#市销率 plt.setp(ax2.get_xticklabels(), visible=False) ax3 = plt.subplot(413) plt.plot(df.trade_date,df.pb)#市净率 plt.setp(ax3.get_xticklabels(), visible=False) ax4 = plt.subplot(414) plt.plot(df.trade_date,df.total_mv)#市总值 plt.show()
5- 其他基面数据 还有其他的基面数据，例如财务指标、分红配股、等等 例如股息率 plt.plot(df.trade_date,df.dv_ratio)#股息率
三 选股-模型：莫伦卡选股 1- 模型指标 莫伦卡提供了一个有效的框架来研究宏观经济和市场环境 指标1：基于历年年报数据，过去5年平均净资产收益率高于14%##指标1 - 过去5年来平均净资产收益率高于14% import akshare as ak df = ak.stock_financial_analysis_indicator(stock="601398")# 工行财报 df1 = df[df.index>'2015-01-01']['净资产收益率(%)'] df1_sum = df1.astype(float).sum(axis = 0, skipna = True) df1_count = df1.count()var1 = (df1_sum / df1_count)>14 print(var1) 指标2：市盈率低于30，且大于0##指标2- 市盈率低于30 并且大于 0 import datetime day = (datetime.datetime.now()- datetime.timedelta(days=30)) dateStart = datetime.datetime(day.year, day.month, day.day, 0, 0, 0)##过去30天的数据 df2 = ak.stock_a_lg_indicator(stock="601398") df2_mean = df2[df2.trade_date >dateStart ].pe.mean() var2 = df2_mean >0 and df2_mean 0 print(var3) 指标4：新期的净利润大于前5年的净利润 #指标4：新期的净利润大于前5年的净利润 import numpy as np var4_1 = float(df3['扣除非经常性损益后的净利润(元)'].iat[1])/ 10000 var4_2 = df3['扣除非经常性损益后的净利润(元)'].iloc[2:7].astype(np.float).max()/10000 var4 = var4_1 > var4_2 print(var4)综合指标评估如下： import pandas as pd varAll = var1 and var2 and var3 and var4 anyData = {'stock':'601398','指标1':var1,'指标1':var1,'指标2':var2,'指标3':var3,'指标4':var4,'是否满足':varAll} df = pd.DataFrame(anyData,index=[0]) df 2- 模型建模根据指标整合，先获取A股所有股票信息，然后逐个评估分析是否符合模型 ## A 股上市公司的实时行情数据 stock_zh_a_spot_df = ak.stock_zh_a_spot() print(stock_zh_a_spot_df) ##取前300测试 ##取前300测试 df_stock = stock_zh_a_spot_df[['code','name']][63:200] anyData = {'stock':'00','name':'name_test','指标1':'var1','指标1':'var1','指标2':'var2','指标3':'var3','指标4':'var4','综合评估':'varAll'} dfResult = pd.DataFrame(anyData,index=[0]) for row_index, row in df_stock.iterrows(): # print(row['code']) # print(row['name']) r_code = row['code'] r_name = row['name'] ##指标1 - 过去5年来平均净资产收益率高于14% df = ak.stock_financial_analysis_indicator(stock=r_code)# 财务指标数据 工行财报 # print(df.head()) df1 = df[df.index>'2015-01-01']['净资产收益率(%)'] df1_sum = df1.replace('--',0).astype(float).sum(axis = 0, skipna = True) df1_count = df1.count() var1 = (df1_sum / df1_count)>14 ##指标2- 市盈率低于30 并且大于 0 day = (datetime.datetime.now()- datetime.timedelta(days=30)) dateStart = datetime.datetime(day.year, day.month, day.day, 0, 0, 0)##过去30天的数据 df2 = ak.stock_a_lg_indicator(stock="601398") df2_mean = df2[df2.trade_date >dateStart ].pe.mean() var2 = df2_mean >0 and df2_mean < 30 #指标3：经营现金流为正 df3 = df#财务指标数据 var3 = float( df3['每股经营性现金流(元)'].iat[1] ) > 0 # print(var3) #指标4：新期的净利润大于前5年的净利润 取万元 var4_1 = float(df3['扣除非经常性损益后的净利润(元)'].iat[1])/ 10000 var4_2 = df3['扣除非经常性损益后的净利润(元)'].iloc[2:8].astype(np.float).max()/10000 var4 = var4_1 > var4_2 ##综合评估 varAll = var1 and var2 and var3 and var4 if varAll == True: print(row) anyData = {'stock':r_code,'name':r_name,'指标1':var1,'指标1':var1,'指标2':var2,'指标3':var3,'指标4':var4,'综合评估':varAll} df_idex = row_index+1 dfResult.loc[df_idex] = anyData print(dfResult) time.sleep(7)运行过程： 3 运行模型结果
结果如下：
完整结果《莫伦卡选股结果数据集.csv》以及本文所有过程源码，点击这，谢谢支持，或者关注公众号： freo-studio,回复“莫伦卡选股”获取，谢谢！
|
【本文地址】
公司简介
联系我们
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |