基于Akshare与Streamlit的股票估值分析实战教程——以贵州茅台（600519）为例

一、前言

继上一篇“基于Akshare与Streamlit的股票财务分析实战教程——以贵州茅台（sh600519）为例”https://blog.csdn.net/NAN_YU_LOVE/article/details/146504014?spm=1001.2014.3001.5501。

现在是测试二：从 akshare 获取贵州茅台近五年的市盈率，市净率以及市销率三个估值每日数据，并以五年，三年，一年为周期，计算每个周期的平均值，最大值和最小值，以及周期内最高的 10%和最低的10%数值的平均值，通过 streamlit 在网页展示。

二、相关知识点

1. 股票估值指标

   • 市盈率（PE）：市值 / 净利润，反映投资者对公司盈利能力的预期。

   • 市净率（PB）：市值 / 净资产，衡量公司资产与股价的关系。

   • 市销率（PS）：市值 / 营业收入，评估公司收入与股价的合理性。

2. 数据获取与处理

   • Akshare：中国金融数据接口库，支持股票、基金等数据获取。

   • Pandas：数据处理与分析库，用于合并、清洗和计算数据。

3. 统计分析

   • 时间周期计算：通过pd.DateOffset实现年、月、日的时间偏移。

   • 百分位数计算：使用nlargest和nsmallest获取最高 / 最低 10% 数据。

4. 可视化与交互

   • Streamlit：快速构建 Web 应用，支持数据展示与动态交互。

三、代码分步解析

步骤 1：导入库

import akshare as ak
import streamlit as st
import pandas as pd
import numpy as np
from datetime import datetime

• akshare：获取股票数据。

• streamlit：构建 Web 界面。

• pandas和numpy：数据处理与计算。

• datetime：处理日期时间。

步骤 2：获取数据

stock = "600519"
end_date = datetime.now()
start_date = end_date - pd.DateOffset(years=5)

def fetch_data(indicator):
    df = ak.stock_a_indicator_lg(symbol=stock)
    df['trade_date'] = pd.to_datetime(df['trade_date'])
    df = df[(df['trade_date'] >= start_date) & (df['trade_date'] <= end_date)]
    return df[['trade_date', indicator]]

• 逻辑：定义函数fetch_data获取指定指标（PE/PB/PS）的近 5 年数据。

• 关键点：

  • ak.stock_a_indicator_lg：获取股票估值数据。

  • pd.DateOffset(years=5)：计算 5 年前的日期。

  • 过滤数据范围，仅保留近 5 年记录。

步骤 3：合并数据并清洗

df_pe = fetch_data("pe")
df_pb = fetch_data("pb")
df_ps = fetch_data("ps")

df = pd.merge(df_pe, df_pb, on='trade_date', how='outer')
df = pd.merge(df, df_ps, on='trade_date', how='outer')
df = df.sort_values('trade_date').ffill().dropna()
df = df.rename(columns={'trade_date':'日期','pe':'市盈率','pb':'市净率','ps':'市销率'})

• 逻辑：

  1. 分别获取 PE、PB、PS 数据。

  2. 通过pd.merge合并三张表。

  3. ffill()填充缺失值，dropna()删除无效行。

  4. 重命名列名以提高可读性。

步骤 4：计算统计指标

def calculate_stats(data, indicator):
    stats = {}
    stats['平均值'] = data[indicator].mean()
    stats['最大值'] = data[indicator].max()
    stats['最小值'] = data[indicator].min()
    n = len(data)
    k_high = max(1, int(np.ceil(n * 0.1)))
    k_low = max(1, int(np.ceil(n * 0.1)))
    stats['高10%平均值'] = data.nlargest(k_high, indicator)[indicator].mean()
    stats['低10%平均值'] = data.nsmallest(k_low, indicator)[indicator].mean()
    return stats

• 逻辑：

  • 计算平均值、最大值、最小值。

  • 使用nlargest和nsmallest获取最高 / 最低 10% 数据的平均值。

  • np.ceil(n * 0.1)确保至少取 1 条数据（当数据量较小时）。

步骤 5：定义时间周期

latest_date = df['日期'].max()
periods = {
    '五年': latest_date - pd.DateOffset(years=5),
    '三年': latest_date - pd.DateOffset(years=3),
    '一年': latest_date - pd.DateOffset(years=1),
}

• 逻辑：根据当前日期计算五年、三年、一年前的截止日期。

步骤 6：遍历计算结果

results = {}
for indicator in ['市盈率', '市净率', '市销率']:
    results[indicator] = {}
    for period_name, cutoff_date in periods.items():
        period_data = df[df['日期'] >= cutoff_date]
        if not period_data.empty:
            results[indicator][period_name] = calculate_stats(period_data, indicator)

• 逻辑：

  • 遍历每个指标（PE/PB/PS）。

  • 对每个指标计算不同周期（五年 / 三年 / 一年）的统计值。

  • 结果存储在嵌套字典results中。

步骤 7：Streamlit 展示结果

st.title("贵州茅台估值指标分析")

for indicator in ['市盈率', '市净率', '市销率']:
    st.subheader(f"{indicator}分析")
    data = []
    for period in ['五年', '三年', '一年']:
        if period not in results[indicator]:
            continue
        stats = results[indicator][period]
        row = {
            '周期': period,
            '平均值': round(stats['平均值'], 2),
            '最大值': round(stats['最大值'], 2),
            '最小值': round(stats['最小值'], 2),
            '高10%平均值': round(stats['高10%平均值'], 2),
            '低10%平均值': round(stats['低10%平均值'], 2),
        }
        data.append(row)
    if data:
        df_display = pd.DataFrame(data)
        st.table(df_display)
    else:
        st.write("无可用数据")

• 逻辑：

  • 使用st.title和st.subheader定义页面标题。

  • 通过循环将统计结果整理为 DataFrame，并使用st.table展示。

  • 结果保留两位小数，提升可读性。

四、结果示例