python求因子4和7的个数_Python与量化多因子——基本面因子

1. 前言

在前面第一节，我们给了一个简单的因子分类，其实我们甚至可以给一个更为粗糙的分类，基本面因子和价量因子。像成长，盈利，估值这些都可以划到基本面因子里面去，这一节，我们就讲讲基本面因子的计算。

2. 认识财报数据

一般来说，基本面因子的数据离不开三大财务报表。对于量化来说，我们需要的是记录了财报发布，修正的那三张表，这样能避免未来数据的引入。

所以这三张表里一般有两个日期，财报的发布日和对应的会计日期，同时我们还需要注意每条记录是单季度的还是累积的。

因为存在更新或者修正的情况，财报数据里，经常出现的一种情况就是，同一个会计日期，可能会对应多个发布日期，例如上市公司在发布今年年报时，也会披露或者更新去年的年报数据，我们需要注意的一点就是在当前时点可以使用最新的数据，但是不要引入未来数据。

对于因子的计算来说，为了避免未来数据的问题，有两种方案：当上式公司的财报发布，更新对应股票的因子

会计日期结束，统一更新所有股票的因子数据

第一种方案，可以保证我们在当时的时点能拿到最新的因子数据，但是却面临着不同股票之间在这一日期存在不可比的问题，第二种方案又会造成信息的滞后。像Barra CNE5计算的基本面因子采用的是第二种方案，但最新的模型改成了第一种。究竟哪种方案好，需要去测算。

3. TTM函数

提到基本面因子，就不得不说TTM(Trailing Twelve Months)，这也是经常在券商研报里发的因子库列表当中看到，意思就是滚动12个月，或者说滚动四个季度。例如我们常说的滚动PE，意思就是当前的市值／过去4个季度的净利润。

这里不讨论为什么要引入TTM。现在有的数据商会提供一些财务衍生指标的报表，这里面会包含一部分TTM的数据，但是，可能并不全，这时候我们得自己计算TTM的数据了，那么问题来了，怎么计算?

我们用Q1(t)，S1(t)，CQ3(t)，A(t)分布表示上市公司的一季报，半年报，三季报(累积)，年报。那么:如果当前为Q1(t),则Q1(t,ttm) = A(t-1) - Q1(t-1) + Q1(t)

如果当前为S1(t),则S1(t,ttm) = A(t-1) - S1(t-1) + S1(t)

如果当前为CQ3(t),则CQ3(t,ttm) = A(t-1) - CQ3(t-1) + CQ3(t)

如果当前为A(t),则A(t,ttm) = A(t)

基于上面的公式，我们可以快速的给出TTM函数的Python实现，当然，考虑到全历史，全样本的计算，我们可能还要考虑一些加速的方案。

4. 总结

这里主要介绍了财报数据的使用和TTM函数，结合上一节提供的模板，相信读者们可以很快的开发自己的基本面因子。给点提示，基本面因子经常要用到Pandas的DataFrame里面的sort，drop_duplicates，groupby这些函数，具体细节私信交流。写了这么多，给点赏赐吧客官!