（26-5-04）基于OpenAI和LangChain的上市公司估值系统：定量分析（Quantitative Analysis）(4)风险评估

10.5.5  风险评估

在评估公司所涉及的风险时，通常考虑如下所示的几个因素。

1. 公司规模：评估公司的规模，这可能影响稳定性和增长潜力。
2. 公司复杂性：评估公司的运营、结构和业务模式的复杂程度，这可能影响运营效率和适应能力。
3. 股份稀释：分析过去5年发生的任何股份稀释，因为这可能影响现有股东的所有权和未来每股收益。
4. 审计师变更：检查最近的审计师变更，因为这可能表明存在潜在的会计或财务报告问题。
5. 公司类型：考虑公司的类型，无论是初创公司、成熟企业还是特定行业部门，不同类型面临着独特的风险。
6. 存货和应收账款：查看存货和应收账款与营收相比的持续增长模式，因为过度增长可能表明存在效率问题或潜在的流动性问题。
7. 定性信息：综合之前使用ChatGPT模型提取的定性见解，如市场情绪、行业趋势、管理效果和竞争定位等。

通过全面评估这些因素，投资者可以更深入地了解投资公司所涉及的风险，并做出更明智的投资决策。

（1）请看下面的代码，根据市值（以美元计算）将公司分类为不同的规模范围，具体来说：

1. 如果市值小于50,000美元，公司规模被归类为"Nano"级别。
2. 如果市值介于50,000美元和300,000美元之间，公司规模被归类为"Micro"级别。
3. 如果市值介于300,000美元和2,000,000美元之间，公司规模被归类为"Small"级别。
4. 如果市值介于2,000,000美元和10,000,000美元之间，公司规模被归类为"Medium"级别。
5. 如果市值介于10,000,000美元和200,000,000美元之间，公司规模被归类为"Large"级别。
6. 如果市值大于200,000,000美元，公司规模被归类为"Mega"级别。

最后，打印输出了公司的规模分类。

market_cap_USD = equity_mkt * fx_rate_financial_USD
if market_cap_USD < 50 * 10 ** 3:
    company_size = "Nano"
elif market_cap_USD < 300 * 10 ** 3:
    company_size = "Micro"
elif market_cap_USD < 2 * 10 ** 6:
    company_size = "Small"
elif market_cap_USD < 10 * 10 ** 6:
    company_size = "Medium"
elif market_cap_USD < 200 * 10 ** 6:
    company_size = "Large"
else:
    company_size = "Mega"
print(f"Company Size {company_size}")

根据彼得·林奇（Peter Lynch）在他的著作《One Up on Wall Street（股市上的一次胜利）》中阐述的概念，将公司类型分为7种不同的可能性，其中单个公司可以符合其中一种或多种类型：

1. 快速成长型（高增长）
2. 稳健型（适度增长）
3. 缓慢成长型（低增长）
4. 衰退型（负增长）
5. 转型型（亏损公司或负债公司，但有明确的扭转方式）
6. 资产投资型（清算价值高于市值）
7. 循环型（业绩受到商业周期影响）

（2）看下面的这段代码，用户与从文档中提取一些公司特征和数据，用于评估公司的风险，这有助于综合评估公司的风险情况，为投资决策提供参考。

complexity = company_complexity(doc, industry, company_size)
dilution = company_share_diluition(shares)
inventory = get_selected_years(data, "inventory", initial_year-1, final_year)
receivables = get_selected_years(data, "receivables", initial_year-1, final_year)
company_type = get_company_type(revenue_growth, mr_debt_adj, equity_mkt, liquidation_value, operating_margin_5y, industry)
auditor = find_auditor(doc)
print(f"Auditor {auditor}")

上述代码的实现流程如下所示：

1. 通过 company_complexity 函数评估公司的复杂性，该函数可能会根据行业和公司规模返回一个复杂性评级。
2. 使用 company_share_dilution 函数计算过去5年内股份的稀释情况，以评估股份的稀释程度。
3. 使用 get_selected_years 函数从数据中提取过去几年的库存和应收账款信息，以评估公司存货和应收账款与收入的关系。
4. 使用 get_company_type 函数根据营收增长、债务调整后的市值、清算价值、过去5年的营运利润率和行业等因素来确定公司的类型。
5. 使用 find_auditor 函数从文档中找出公司的审计师信息。

（3）打印输出公司风险评估的结果，包括公司市值（以美元计）、公司规模评级、公司复杂性评级、股份稀释程度、收入、库存信息、应收账款信息、公司类型、审计师信息。这些信息提供了对公司风险情况的全面了解，有助于投资者做出更加明智的投资决策。

print("===== Risk Assessment =====\n")
print("MKT CAP USD: ", market_cap_USD)
print("company_size", company_size)
print("company complexity", complexity)
print("share dilution", round(dilution, 4))
print("revenue", revenue)
print("inventory", inventory)
print("receivables", receivables)
print("company_type", company_type)
print("Auditor", auditor)
print()

例如执行后会输出：

===== Risk Assessment =====

MKT CAP USD:  1538980340.0

company_size Mega

company complexity 4

share dilution 1.0732

revenue [136819000.0, 161857000.0, 182527000.0, 257637000.0, 282836000.0]

inventory [749000.0, 1107000.0, 999000.0, 728000.0, 1170000.0, 2670000.0]

receivables [18336000.0, 20838000.0, 25326000.0, 30930000.0, 39304000.0, 40258000.0]

company_type {'fast_grower': True, 'stalward': False, 'slow_grower': False, 'declining': False, 'turn_around': False, 'asset_play': False, 'cyclical': True}

Auditor Ernst & Young LLP We have served as the Company's auditor since 1999

（4）检索最近的文件并对其进行解析，然后生成一个包含摘要信息的DataFrame。对于每个文件，它提取了摘要信息并将其组织成DataFrame的行，其中包括文件类型、提交日期、摘要信息、摘要链接等。这有助于用户更轻松地查看最近文件的关键摘要信息，并进行进一步的分析和处理。

        l = []
        recent_docs = get_recent_docs(cik, doc["filing_date"])
        for d in recent_docs:

            print("##############")
            print(d["form_type"], d["filing_date"], d["_id"])
            print("##############\n")

            if not mongodb.check_document_exists("parsed_documents", d["_id"]):
                parse_document(d)

            parsed_doc = mongodb.get_document("parsed_documents", d["_id"])

            if not mongodb.check_document_exists("items_summary", d["_id"]):
                sections_summary(parsed_doc)

            summary_doc = mongodb.get_document("items_summary", d["_id"])

            for k, v in summary_doc.items():
                if isinstance(v, dict):

                    print(f"=== {k} ===")

                    for info in v["summary"]:

                        print(info)

                        if v["links"] is None:
                            v["links"] = [{"title":"", "link":""}]

                        for link in v["links"]:

                            l.append({
                                "ticker": ticker,
                                "created_at": datetime.datetime.now().date(),
                                "form_type": d["form_type"],
                                "filing_date": d["filing_date"],
                                "url": d["_id"],
                                "section": k,
                                "information": info,
                                "section_link": link["link"],
                                "section_link_title": link["title"]
                            })

                    print()

            print("\n")

        summary_df = pd.DataFrame(l)