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:/i6825779591861240324/
2 -AkShare 库 安装
pip install akshare -i /pypi/simple/ --trusted-host= --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 akstock_sse_summary_df = ak.stock_sse_summary()print(stock_sse_summary_df)##运行结果type item number0 总貌 上市公司/家 18091 总貌 总股本/亿股(份) 42721.722 总貌 总市值/亿元 473985.923 总貌 平均市盈率/倍 17.440 总貌 上市股票/只 18521 总貌 流通股本/亿股(份) 37871.282 总貌 流通市值/亿元 395888.650 主板 上市公司/家 15891 主板 总股本/亿股 42066.292 主板 总市值/亿元 437496.823 主板 平均市盈率/倍 16.470 主板 上市股票/只 16321 主板 流通股本/亿股 37691.252 主板 流通市值/亿元 384769.060 科创板 上市公司/家 2201 科创板 总股本/亿股(份) 655.432 科创板 总市值/亿元 36489.103 科创板 平均市盈率/倍 98.180 科创板 上市股票/只 2201 科创板 流通股本/亿股(份) 180.032 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- 获取工行全年历史股价 日频率数据import akshare as akstock_zh_a_daily_qfq_df = ak.stock_zh_a_daily(symbol="sh601398", start_date="0101", end_date="0101", adjust="qfq")print(stock_zh_a_daily_qfq_df)##输出结果open high low close volume outstanding_share turnoverdate -01-02 5.62 5.73 5.61 5.67 234949397.0 2.696122e+11 0.000871-01-03 5.67 5.72 5.66 5.69 152213047.0 2.696122e+11 0.000565-01-06 5.66 5.75 5.65 5.67 226509705.0 2.696122e+11 0.000840-01-07 5.68 5.74 5.68 5.71 116804353.0 2.696122e+11 0.000433-01-08 5.66 5.67 5.60 5.61 158559090.0 2.696122e+11 0.000588...... ... ... ...... ... ...-12-25 4.96 4.97 4.95 4.97 153283872.0 2.696122e+11 0.000569-12-28 4.96 4.97 4.93 4.97 231926812.0 2.696122e+11 0.000860-12-29 4.97 4.98 4.95 4.98 25419.0 2.696122e+11 0.000943-12-30 4.97 4.98 4.94 4.96 254078489.0 2.696122e+11 0.000942-12-31 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 akimport pandas as pdimport matplotlib.pyplot as pltstock_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_dfax1 = 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%
importakshareasakdf = ak.stock_financial_analysis_indicator(stock="601398")# 工行财报df1 = df[df.index>'-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)>14print(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
importdatetimeday = (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>0anddf2_mean<30print(var2)
指标3:经营现金流为正#指标3:经营现金流为正
importakshareasakdf3 = ak.stock_financial_analysis_indicator(stock="601398")#财务指标数据var3 = float( df3['每股经营性现金流(元)'].iat[1] )>0print(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 npvar4_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_2print(var4)
综合指标评估如下:
import pandas as pdvarAll = var1 and var2 and var3 and var4anyData = {'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>'-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 var4if 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+1dfResult.loc[df_idex] = anyDataprint(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!
如果觉得《Python 量化分析——基本面选股模型》对你有帮助,请点赞、收藏,并留下你的观点哦!