不同量化平台上财务数据精度的测试

最近在几个量化平台上做了些实验，发现不同平台上财务数据的精度略有不同。因此考虑做一下对比实验。以000732.sz 泰禾集团为例:

2017-08-08 收盘价为16.48 元

2016年年报显示总股本为:1,244,450,720 股，且此后没有总股本变化

2016年年报显示：

归属于上市公司股东的净资产

18,000,836,048.24

2017年1季报显示：

 

归属于上市公司股东的净资产（元）

18,119,207,762.63

截止到2017-08-08尚未发布半年报。所以在2017-08-09日开盘前的PB应该是:

PB = 总市值/一季报净资产 = 1,244,450,720 * 16.48 / 18,119,207,762.63 = 1.1318678020734383190574363843422 约= 1.13 约=1.132 约= 1.1319 约=1.13187 约=1.131868

另外，如果以上年年报看：

PB = 总市值/上年年报 = 1,244,450,720 * 16.48 / 18,000,836,048.24 = 1.1393108525981595782920738760794

米筐:

 

df = get_fundamentals(
        query(
            fundamentals.eod_derivative_indicator.pb_ratio,
        ).filter(
            fundamentals.stockcode == '000732.XSHE'), 
        '2017-08-08')
df.minor_xs('000732.XSHE')

输出：

 

 

	pb_ratio
2017-08-08	1.1319

结论: 保留4位小数，结果正确

聚宽:

 

df = get_fundamentals(query(
        valuation.pb_ratio
    ).filter(
        valuation.code == '000732.XSHE'
    ), date='2017-08-08')

df

输出：

 

 

	pb_ratio
0	1.4404

结论：保留4位小数，结果不正确。所以我认为以财务数据选股不能在聚宽上做。

 

京东量化：

 

finance_df = get_fundamentals(
        query(
            fundamentals.equity_valuation_indicator.pb_ratio
        ).filter(
            fundamentals.order_book_id=='000732.SZ')
        , '2017-08-08')
finance_df

输出：

 

 

	000732.SZ
pb_ratio	1.1319
order_book_id	000732.SZ
date	2017-08-08 00:00:00

结论：保留4位小数，结果正确。

 

同花顺MindGo:

 

q = query(valuation.pb).filter(valuation.symbol == '000732.SZ')
df = get_fundamentals(q, date = '20170808')
print(df)
f_pb = df['valuation_pb'][0]
f_pb

输出：

 

 

   valuation_pb
0          1.13

结论：保留2位小数，结果正确。但误差较大。

 

 

优矿：

学习曲线较高，暂未实验。

 

总体来看，优先顺序为：米筐>京东量化>同挂顺MindGo>聚宽