2008年 - 2022年 上市公司企业金融化程度数据（原始数据，最终结果，代码do文件，参考文献

于 2024-08-20 09:00:00 发布
阅读量181 收藏 2
点赞数 8
分类专栏： 大数据 文章标签： 金融 大数据 人工智能 社科数据
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/2401_84585615/article/details/141301563
版权

上市公司的金融化程度通常通过金融资产占总资产的比值来衡量。金融资产主要包括交易性金融资产、衍生金融资产、贷款及垫款净额、可供出售金融资产、持有至到期投资和投资性房地产，但不包括货币资金，以区分金融资产投资与现金管理。数据集包括原始数据、分析结果、分析代码和参考文献。

参考文献：CEO金融背景与实体企业金融化-杜勇

相关数据

id、date、证券代码、名称、行业代码C、FINRATIO、finratio、finratio1、finratio2。

https://download.csdn.net/download/2401_84585615/89466180

2008年-2022年上市公司企业金融化程度数据（原始数据，最终结果，代码do文件，参考文献）.zip资源-CSDN文库

小王毕业啦
关注
  • 8
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
2008年 - 2022年 上市公司企业金融化程度数据（原始数据，最终结果，代码do文件，参考文献）.zip
06-21
本数据包含原始数据，最终结果，代码do文件，参考文献。 参考文献：CEO金融背景与实体企业金融化-杜勇 相关数据 id、date、证券代码、名称、行业代码C、FINRATIO、finratio、finratio1、finratio2。
2007-2021年 上市公司企业金融化程度原始数据+do代码+结果.zip
最新发布
08-18
参考张成思（2016）的做法，以非金融企业投资收益、公允价值变动损益以及其他综合收益等金融渠道获利加总占营业利润的比例作为指标来衡量企业金融化，同时为了减少负值带来的结果偏差，对金融渠道获利进行标准化，即...
2008-2022年 上市公司-环境信息披露指数EDI（原始数据+计算代码+最终结果+参考文献）：衡量企业环保透明度的重要工具
2401_84585615的博客
08-13 682
上市公司环境信息披露指数EDI数据集为评估企业环保透明度和责任履行提供了重要的量化指标。通过这些数据，可以更深入地了解企业在环境保护方面的表现，为相关决策提供支持。
上市公司-金融化程度数据集（2007-2022年)
li514006030的博客
12-01 961
上市公司-金融化程度数据集（2007-2022年）提供了一段时期内上市公司在金融化方面的详细信息。这份数据集包括每家上市公司的基本信息、资产负债状况以及利润情况，从而使分析人士能够深入了解公司的金融状况和健康程度。金融化程度的评估侧重于公司的资产结构、负债水平和盈利能力，这些因素共同决定了公司在市场上的金融稳定性和风险水平。这些数据对于投资者、财务分析师、市场研究员以及对公司金融状况感兴趣的人有一定参考价值。结果文件：上市公司-金融化程度.csv；数据名称：上市公司-金融化程度。平安银行股份有限公司。
社科数据整理汇总 - 4
2401_84585615的博客
07-03 747
2010年-2022年 省级-农业科技创新（农业科技专利）数据.zip 2005年-2021年 省级农业高质量发展数据（原始数据+结果数据）.zip 2000年-2022年 省级-能源结构数据（电力消费水平）（能源结构（电力消费水平）=地区电力消费量/全国电力消费总量） 1990-2022年 省级客运、货运量及周转量数据.zip 2000年-2022年 省级金融发展水平数据（金融发展水平=金融机构存贷款余额/GDP）.zip 2000-2022年 省级城镇职工基本养老保险情况（）.zip 2010年-202
社科数据整理汇总 - 3
2401_84585615的博客
07-03 2257
最新 全国77个城市建筑物轮廓矢量数据整理 2000年-2022年 全国31省对外开放程度、经济发展水平、政府干预程度指标数据 2007-2022年 上市企业气候风险披露、报表词频、文本分析数据 2005-2021年 上市企业绿色信贷水平全国、分省份数据（原始数据和计算方法）.zip 2007-2022年 上市企业竞争文化数据 整理 1996-2022年 上市企业股票特质收益率（原始数据、do文档计算代码、参考文献、最终数据处理后的stata文件）.zip 2000-2022年 企业风险承担-盈利波动性和现
2020年 - 2022年 上市公司-劳动投资效率数据（原始数据、代码do文件、参考文献、最终结果）
06-21
本数据包含原始数据、代码do文件、参考文献、最终结果。 数据名称：上市公司-劳动投资效率数据 相关数据 证券代码、年份、Abresid（劳动投资效率）、Mresid（冗余雇佣）、Lresid（雇佣不足）。
2008-2021年上市公司实体企业金融化程度测算（含原始数据和Stata代码）.zip
10-18
2008-2021年上市公司实体企业金融化程度测算（原始数据+stata代码） 1、时间：2008-2021年 2、指标：股票代码、年份、交易性金融资产、衍生金融资产、发放贷款及垫款净额、可供出售金融资产净额、持有至到期投资净额...
2007-2023年上市公司企业金融化程度测算数据（含原始数据+代码+计算结果）.zip
08-06
2007-2023年上市公司金融化程度测算数据（含原始数据+计算代码+计算结果） 1、时间：2007-2023年 2、指标：行业代码、行业名称、stkcd、year、证券简称、是否发生ST或ST或PT、是否发生暂停上市、股票简称、成立日期...
【区块链+金融服务】供应链金融平台 | FISCO BCOS应用案例
FISCO_BCOS的博客
08-15 354
四方精创基于 FISCO BCOS 设计了供应链金融平台，利用区块链多中心、不可篡改、不可抵赖、可追溯的特性， 在供应链生态企业间实现信用传递。
基于模糊神经网络的金融序列预测算法matlab仿真
熟悉python,matlab,C,C++,JAVA等
08-16 843
基于模糊神经网络的金融序列预测算法是一种结合了模糊逻辑和神经网络技术的先进预测方法，它适用于处理非线性、不确定性和模糊性的金融数据预测任务。传统的预测方法往往难以捕捉金融市场中的非线性关系和不确定性，而模糊神经网络因其独特的非线性映射能力和模糊逻辑处理能力，在处理这类问题上显示出优势。通过结合模糊逻辑的强大表达能力和神经网络的学习能力，这种算法能够捕捉到复杂的市场行为模式，从而为投资者提供更加准确的预测结果。一个典型的模糊规则可以表示为：“如果价格变化是高的并且MACD是正的，则预测的趋势是上涨”。
数字化转型对金融服务业的影响
网络研究观
08-18 1100
数字化转型正在塑造每个行业，从快速消费品到金融，每个行业都受到新兴技术的影响。
【区块链+金融服务】基于区块链的一站式绿色金融开放平台 | FISCO BCOS应用案例
FISCO_BCOS的博客
08-15 431
碳绿信采用国产开源联盟链底层平台 FISCO BCOS，推出基于区块链的一站式绿色金融开放平台
【区块链+金融服务】“吉惠通”一站式金融综合服务平台 | FISCO BCOS应用案例
FISCO_BCOS的博客
08-15 262
由科大讯飞公司采用 FISCO BCOS 底层开源技术推出的讯飞链，助力建设“吉惠通”一站式金融综合服务平台并成 功上线。
【区块链+金融服务】广电融汇通供应链金融平台 | FISCO BCOS应用案例
FISCO_BCOS的博客
08-15 244
通过 FISCO BCOS 区块链技术将核心企业的应付账款转化为可支付融资的电子凭证，实现核心企业信用的多级传递，使产业链多方获益。
宝兰德持续赋能 助力金融数智化变革
BES688058的博客
08-16 432
应用服务的稳定性，提供线程池隔离、信号量隔离两种方式，将不同重要度的业务请求隔离，保障服务高可用，信号量隔离从限流、熔断、系统保护等多种方式保护应用流量。适用于金融企业业务性能监控场景，方案从业务视角出发，以业务交易链为抓手，实施端到端的性能监控，弥补了现有监控手段的不足，解决跨厂商零散监控的局面，实现了分布式环境下故障实例的快速定位，随时随地掌握系统的健康状况。宝兰德的中间件拳头产品——应用服务器软件，可增强安全防御，提供全方位的，符合等保规定的安全保障，全面保护应用的安全，避免外部攻击。
《人工智能时代：金融投资决策的潜在系统性风险及防范策略》
xy520521的博客
08-16 405
若数据集中主要包含特定时期或特定市场条件下的信息，那么在面对新的、不同的市场环境时，AI 可能会给出不准确的判断。人工智能在金融投资决策中的应用，凭借其强大的数据处理能力和复杂的算法模型，能够快速分析海量的金融数据，识别市场趋势和潜在的投资机会。当 AI 模型过于适应历史数据，而对新的、未见过的数据表现不佳时，就可能在市场发生变化时做出错误的投资决策。在未来，随着技术的不断进步和创新，我们需要持续关注并不断完善防范措施，以适应新的挑战和变化，让人工智能真正成为金融投资决策的有力工具，而非潜在的威胁。
中英双语介绍金融经济中的鹰派 (Hawkish)和鸽派 (Dovish)
阿正的梦工坊
08-15 863
In financial and economic policy contexts, "hawkish" and "dovish" refer to two different stances on monetary policy and economic management.
2007-2022年金融机构的系统性金融风险covar、mes、dcc计算代码+计算结果+原始数据
11-24
由于题目所给的问题涉及到金融领域的数学计算和数据处理，需要一定的专业知识和代码实践经验。以下提供部分代码框架以及简要说明，供参考： 1. COVAR（协方差）计算代码： COVAR的计算可以使用金融统计学中的公式，用来衡量两个变量之间的关系。一般计算协方差时需要使用原始数据，假设有n个观测值，其中X和Y是两个变量的向量，那么COVAR的计算可以使用以下代码框架： ``` # 原始数据 X = [1, 2, 3, 4, 5] Y = [2, 4, 6, 8, 10] # 计算平均值 mean_X = sum(X) / len(X) mean_Y = sum(Y) / len(Y) # 计算COVAR covar = sum((x - mean_X) * (y - mean_Y) for x, y in zip(X, Y)) / (len(X) - 1) print("COVAR:", covar) ``` 2. MES（最小二乘法）计算代码： MES的计算可以通过对一组原始数据应用最小二乘法来计算出最小二乘估计量。假设有原始数据X和Y，可以使用scipy库中的polyfit函数来拟合线性回归模型，并计算MES。以下是示例代码： ``` import numpy as np from scipy.stats import linregress # 原始数据 X = [1, 2, 3, 4, 5] Y = [2, 4, 6, 8, 10] # 计算MES slope, intercept, _, _, _ = linregress(X, Y) print("MES:", slope) ``` 3. DCC（动态相关系数）计算代码： DCC用来测量两个时间序列之间的动态相关性，常用于金融风险管理和投资组合分析。可以使用arch包进行DCC模型的拟合和估计。以下是一个简单的示例代码： ``` import pandas as pd from arch import arch_model # 原始数据 data = pd.read_csv("data.csv") # 假设数据存放在data.csv文件中，需要读取并预处理数据 # 计算DCC am = arch_model(data, vol='DCC', dist='normal') res = am.fit(disp='off') print("DCC:", res.params) ``` 这些示例代码只是提供了最基本的框架，具体的计算过程和数据处理方式需要根据实际情况进行调整。建议在实际应用中，根据具体的数据和需求，参考相应的金融统计学理论，并使用专业的金融数据分析工具和包来完成计算。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值