Python 量化分析——基本面选股模型

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：https://www.toutiao.com/i6825779591861240324/

2 -AkShare 库 安装

pip install akshare -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host=mirrors.aliyun.com  --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 ak
stock_sse_summary_df = ak.stock_sse_summary()
print(stock_sse_summary_df)

##运行结果
 type        item     number
0   总貌      上市公司/家       1809
1   总貌   总股本/亿股（份）   42721.72
2   总貌      总市值/亿元  473985.92
3   总貌     平均市盈率/倍      17.44
0   总貌      上市股票/只       1852
1   总貌  流通股本/亿股（份）   37871.28
2   总貌     流通市值/亿元  395888.65
0   主板      上市公司/家       1589
1   主板      总股本/亿股   42066.29
2   主板      总市值/亿元  437496.82
3   主板     平均市盈率/倍      16.47
0   主板      上市股票/只       1632
1   主板     流通股本/亿股   37691.25
2   主板     流通市值/亿元  384769.06
0  科创板      上市公司/家        220
1  科创板   总股本/亿股（份）     655.43
2  科创板      总市值/亿元   36489.10
3  科创板     平均市盈率/倍      98.18
0  科创板      上市股票/只        220
1  科创板  流通股本/亿股（份）     180.03
2  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2020年全年历史股价 日频率数据
import akshare as ak
stock_zh_a_daily_qfq_df = ak.stock_zh_a_daily(symbol="sh601398", start_date="20200101", end_date="20210101", adjust="qfq")
print(stock_zh_a_daily_qfq_df)

##输出结果
           open  high   low  close       volume  outstanding_share  turnover
date                                                                         
2020-01-02  5.62  5.73  5.61   5.67  234949397.0       2.696122e+11  0.000871
2020-01-03  5.67  5.72  5.66   5.69  152213047.0       2.696122e+11  0.000565
2020-01-06  5.66  5.75  5.65   5.67  226509705.0       2.696122e+11  0.000840
2020-01-07  5.68  5.74  5.68   5.71  116804353.0       2.696122e+11  0.000433
2020-01-08  5.66  5.67  5.60   5.61  158559090.0       2.696122e+11  0.000588
...          ...   ...   ...    ...          ...                ...       ...
2020-12-25  4.96  4.97  4.95   4.97  153283872.0       2.696122e+11  0.000569
2020-12-28  4.96  4.97  4.93   4.97  231926812.0       2.696122e+11  0.000860
2020-12-29  4.97  4.98  4.95   4.98  254202319.0       2.696122e+11  0.000943
2020-12-30  4.97  4.98  4.94   4.96  254078489.0       2.696122e+11  0.000942
2020-12-31  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 ak
import pandas as pd
import matplotlib.pyplot as plt

stock_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_df
ax1 = 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%

import akshare as ak
df = ak.stock_financial_analysis_indicator(stock="601398")# 工行财报
df1 = df[df.index>'2015-01-01']['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)>14
print(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

import datetime
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
print(var2)

• 指标3：经营现金流为正#指标3：经营现金流为正

import akshare as ak
df3 = 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] ) > 0
print(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 np
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[2:7].astype(np.float).max()/10000 

var4 = var4_1 > var4_2
print(var4)

综合指标评估如下：

import pandas as pd

varAll = var1 and var2 and var3 and var4
anyData = {'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>'2015-01-01']['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 var4
    if 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+1
    dfResult.loc[df_idex] = anyData
    print(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！