利用Python进行简单杜邦分析

利用Python进行简单杜邦分析

“巧妇难为无米之炊”，找不到数据，量化分析、财务报表分析也就无从谈起。对于分析者来说，获取数据是量化分析的第一步。Python的一个强大功能之一就是数据获取（爬虫）。但是对于没时间学爬虫程序的小白来说，python丰富的开源包为我们节省了不少时间精力，只要会用前人的车轮（wheel），就可以造就自己的车（py）。

【tushare财经数据包安装】

Tushare是一个免费、开源的python财经数据接口包，可以获取新浪财经、腾讯财经、上交所和深交所提供的数据。如果安装了Anaconda（建议），可以使用Anaconda Prompt或者通过win+R输入cmd调出dos操作界面，输入pip install tushare进行安装。如果没有pip或pip3，可以先用conda install pip （或pip3）安装。

【获取财务报表数据】

Tushare包可以获取宏观经济数据、股票交易数据、基本面数据（公司盈利能力、业绩报告等）、新闻事件、银行间同业拆放利率等，下面着重介绍使用tushare包获取财务报表数据和可视化分析。

1、引入需要的包（模块module）：import xxx
其中，pandas和matplotlib分别是数据处理和画图常用的包，as意味着后面调用这些包将分别使用缩写ts、pd、plt。

import tushare as ts
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.font_manager import *
from pyecharts import Map, configure

2、获取所需数据
tushare获取数据的接口为pro = ts.pro_api()，很直观。如获取个股每天的股价命令为df = ts.pro.daily(ts_code=‘000001.SZ’, start_date=‘20180701’, end_date=‘20180718’)，资产负债表ts.pro.income(ts_code=‘002230.SZ’, start_date=‘20090101’, end_date=‘20181230’)，利润表ts.pro.balancesheet(ts_code=‘002230.SZ’, start_date=‘20090101’, end_date=‘20181230’)。下面主要以杜邦分析举例进行分析。

SZZS = pro.index_daily(ts_code='000001.SH', start_date='20090101', end_date='20190130')
SZZS.index = pd.DatetimeIndex(SZZS.trade_date)#获取上证指数十年的数据
print(SZZS.head())

3、读取数据和可视化
可以使用to_csv或者to_excel将数据保存到本地，然后再进行分析，本次以pandas直接对数据进行分析
首先调取全国的上市公司基本数据，ts库所给的基本信息非常全面。

data = pro.stock_basic(exchange='', list_status='L', fields='ts_code,symbol,name,area,industry,list_date')

将当前所有正常上市交易的股票列表存放在变量data里面，下面对公司所在地区进行简单的分析

data_counts = data['area'].value_counts()        #对dataframe某一列的数据按照这一列重复值的个数排序，重要
data_counts = pd.DataFrame(data_counts)
attr = list(data_counts.index)
data_counts.area = data_counts.area / 5
val = list(data_counts.area.values)
map = Map("全国上市公司分布", width=1200, height=600)
map.add("",attr,val,maptype="china",is_visualmap=True,visual_text_color="#000",)
map.render("render上市公司分布.html")

最后用 pyecharts中的 Map库进行可视化

如图所示，颜色越深的地方代表上市公司越多，北上广以及江浙等沿海一带占了绝大多数，另外山东和四川也不少。
4、举例分析
看完了全国的分布，重点来了，选择两家比较有代表性的上市公司进行杜邦分析，其一选择这两年非常火热的风口人工智能板块，具有使命意义的科大讯飞和老牌经典永不褪色的国酒茅台。
开始吧，首先利用ts库将近十年两只股票的走势和大盘的趋势对比

KDXF = pro.daily(ts_code='002230.SZ', start_date='20090101', end_date='20190130')#获取科大讯飞十年来股票数据
GZMT = pro.daily(ts_code='600519.SH', start_date='20090101', end_date='20190130')#获取贵州茅台十年来股票数据
KDXF.index = pd.DatetimeIndex(KDXF.trade_date)
GZMT.index = pd.DatetimeIndex(GZMT.trade_date)
SZZS = pro.index_daily(ts_code='000001.SH', start_date='20090101', end_date='20190130')#获取上证指数十年的数据
SZZS.index = pd.DatetimeIndex(SZZS.trade_date)#最后将索引变得一致
plt.subplots_adjust(wspace=0.2, hspace=0.5)  # 调整子图间距
plt.subplot(211)
plt.xlabel(u' ', fontproperties=myfont)
plt.ylabel(u'股价', fontproperties=myfont, fontsize=12)
plt.plot(GZMT['close'], label=u'贵州茅台')
plt.legend(prop=myfont)
plt.xticks(year)
plt.title(u'贵州茅台与上证指数走势图对比', fontproperties=myfont, fontsize=12)
plt.subplot(212)
plt.xlabel(u'日期', fontproperties=myfont)
plt.ylabel(u'指数', fontproperties=myfont, fontsize=12)
plt.plot(SZZS['close'], label=u'上证指数')
plt.xticks(year)
plt.legend(prop=myfont)
plt.title(u'', fontproperties=myfont, fontsize=12)
plt.annotate(u'地球顶', size=10, fontproperties=myfont, xy=('2015-05-12', 5300),
             xytext=('2016-01-1', 5500), arrowprops=dict(facecolor='red', shrink=0.05))
plt.show()

茅台在2015年牛市表现平平，但是在从2017年之后在大盘表现一般的情况下逆势暴涨，股价一度从200多元被炒到800元一股，可见中国股民对国酒茅台的热爱。

科大讯飞可谓科技股的真实写照，大起大伏，2015年随着牛市暴涨，也随着泡沫破灭暴跌，但是在2017年年中开始随着人工智能和大数据的火热，被投资者疯狂追逐，炒作，超过了2015年牛市的股价，但是好景不长，在2018年下半年经济不景气，互联网寒冬下，被打回了原形，股价一路暴跌，甚至是10年来最低，让投资者从沸点到冰点。
从十年来股价的走势可以大概知道两家公司的基本情况，接下来，用杜邦分析对两家公司的财务报表进行简单描述，首先利用ts库导入数据

#获取科大讯飞的利润表和资产负债表
data_KDXFincome = pro.income(ts_code='002230.SZ', start_date='20090101', end_date='20181230')
data_KDXFbalancesheet = pro.balancesheet(ts_code='002230.SZ', start_date='20090101', end_date='20181230')

数据非常多，并且不全是我们分析需要的数据，现在利用pandas对数据进行简化

def persist_end_date(x):
    x['end_date'].at[1] = ""
    x['end_date'].at[2] = ""
    for i in range(3, 40, 4):
        x['end_date'].at[i + 1] = ""
        x['end_date'].at[i + 2] = ""
        x['end_date'].at[i + 3] = ""
    missing = x.loc[x['end_date'] == ""]
    x.drop(index=missing.index, inplace=True)
persist_end_date(data_KDXFbalancesheet)
persist_end_date(data_KDXFincome)
data_KDXFbalancesheet = data_KDXFbalancesheet.reset_index(drop=True)
data_KDXFincome = data_KDXFincome.reset_index(drop=True)

数据是按照每季度为报告期，我们只对每年年底的数据分析，由于2018年年底报告未出，以3季度报告为依据，可能会出现误差，但是影响估计不大。

这是一张简单的杜邦分析表，杜邦分析法是一种财务比率分解的方法，能有效反映影响企业获利能力的各指标间的相互联系，对企业的财务状况和经营成果做出合理的分析

简单的计算公式，专业知识有限，不展开讲了，先将上述几个指标一一求解出来

ROE = []  #将求解出来的权益净利率存到列表中
for i in range(1, 9):
    x = data_KDXFincome['n_income'].at[i] / [(data_KDXFbalancesheet['total_hldr_eqy_inc_min_int'].at[i] +
                                              data_KDXFbalancesheet['total_hldr_eqy_inc_min_int'].at[i + 1]) / 2]
    ROE.append(float('%.4f' % x))
ROE = [i * 100 for i in ROE]
JROA = []    #将求解出来的总资产净利率存到列表
for i in range(1, 9):
    x = data_KDXFincome['n_income'].at[i] / [(data_KDXFbalancesheet['total_assets'].at[i] +
                                              data_KDXFbalancesheet['total_assets'].at[i + 1]) / 2]
    JROA.append(float('%.4f' % x))
JROA = [i * 100 for i in JROA]
AT = []   #将求解出来的总资产周转率存到列表中
for i in range(1, 9):
    x = data_KDXFincome['total_revenue'].at[i] / [(data_KDXFbalancesheet['total_assets'].at[i] +
                                              data_KDXFbalancesheet['total_assets'].at[i + 1]) / 2]
    AT.append(float('%.4f' % x))
AT = [i * 100 for i in AT]
EME = []  #权益乘数
for i in range(1, 9):
    x = data_KDXFbalancesheet['total_assets'].at[i] / data_KDXFbalancesheet['total_hldr_eqy_inc_min_int'].at[i]
    EME.append(float('%.4f' % x))
NOP = []   #营业净利率
for i in range(1, 9):     
    x = data_KDXFincome['n_income'].at[i] / data_KDXFincome['total_revenue'].at[i]
    NOP.append(float('%.4f' % x))
NOP = [i * 100 for i in NOP]

然后将我们需要的数据打印出来，除权益乘数（EME）之外，其他的全部为百分比数据。

再将其可视化

data = pd.DataFrame({"ROE": ROE, "NOP": NOP, "AT":AT, "JROA":JROA, "EME":EME})
data.index = year
line = Line("各种指标走势图", width=1000, height=500, title_pos="left")
print(data.head(10))
year = [str(year) for year in range(2010, 2018)]
for ckey, indexs in zip(data.columns, data.index):
    val = list((data[ckey]))
    line.add(ckey, year, val, is_smooth=True, line_width=4)
line.render("render8.html")

从权益净利率（ROE）每年下降，影响下降的直接原因主要有总资产净利率和权益乘数，权益乘数（EME）也就是财务杠杆并没有下降，而在2017年还增加了，说明是总资产净利率（JROA）在下降

几乎是等比例下降，那么影响总资产净利率的因素再分解，营业净利率（NOP）和总资产周转率（AT），从下图可以看出，营业净利率下降并不明显，只是在2015-2017下滑的比较严重，总资产周转率年年下滑，但是在2017年反转，引起总资产净利率下降的主要原因是总资产周转率的延缓，对于这个不利因素，今后要通过强化企业管理，优化资源管理。缩短生产经营周期，以加强资金周转来解决。销售净利润的下降总体来看，是消极因素，引起其下降的有利因素主要有三个：销售费用率上升，销售税金率上升和销售管理费用上升，公司今后的工作重点应放在狠抓销售成本率的降低上（仅当前数据说明）。

权益乘数（EME)主要受资产负债率影响。负债比率越大，权益乘数越高，说明企业有较高的负债程度，给企业带来较多地杠杆利益，同时也给企业带来了较多地风险，公司在2015年以后负债程度增加，财务杠杆增加，应该警惕财务风险。

接下来对茅台进行相同的分析，由于操作方式都是一样的，代码就不上了，只需要修改股票代码就行，直接将可视化数据附上

权益净利率和总资产净利率几乎相同变化，权益乘数应该变化不大，从下图可以看出，权益乘数维持在1.2到1.5之间，保持了良好的财务杠杆。

从营业净利率和总资产周转率可以看出，影响权益净利率的主要因素是总资产周转率，2017年暴涨，说明企业资产的营运能力显著提高，生产经营周期缩短，资金周转更强（通俗来说，生意更好了），是影响股价暴涨的因素之一吗？最后不得不说，白酒的利润率真是高，营业净利率常年维持在50%左右。

【结语】
本文主要介绍了如何使用Python的开源包tushare获取上市公司财务数据，以及利用pandas和matplotlib、 pyecharts包对数据进行清洗和可视化分析。只是简单的皮毛而已，对问题的深入分析，还得结合理论（逻辑）+专业的财务分析+统计（数据和计量分析）。Python是我们获取和分析数据的实用工具，为验证分析逻辑或理论的正确与否提供了一个重要维度。