使用get_fundamentals查询财务指标和估值指标(三)

一、什么是财务指标？

能记账的都归属到财务数据的部分。
以企业为例子，财务报表总共有三类。

• 资产负债表

资产负债表体现企业家底和负债情况，就好比一个人 有几套房 几辆车。是全款买的还是借款买的，如果是借款，有多少是自己的，有多少是借来的。可以看到 一个公司的资产负债表是 “资产”“负债”以及两者相比这3块构成的。

• 利润表

利润表体现的是公司的盈利能力，赚了多少钱，怎么赚的。来源都有哪些，其中隐藏对未来增长的预期。

也是因为有这个预期，很多公司的股价也是远超真实的公司内在价值的。比如说我们听到很多互联网公司上市，拼多多，B站等等，在刚上市的时候，它的盈利情况是负增长的， 它还没有真正的实现盈利，那为什么这些公司的股价增幅很大呢？增幅会比那些大企业，发展稳定的企业涨的还要快呢，正是因为这里所说的“预期”。

也就是说，利润表体现的是公司的市场空间和成长能力。

• 现金流量表
  现金流量表表相对来说更真实，更不容易造假，

因为资产负债表和利润表是基于“权责发生制”， 它是一种会计制度， 举例来说 就是我们签合同了，里面涉及1000万订单款项，只要我们签合同了，就可以记账了。记到预收款项里面。这个预收款项是记录到利润表的。但是现金流量表不一样，它是基于“收付实现制” 也就是说，只有当1000万真的打进公司账户了，现金流量表上才会记录下来。这是这2种会计制度的区别。所以说，一家现金流很好的公司，它一定是一家造血能力很强的公司。提现的是这家公司有极强的竞争优势和议价能力。比如说我们熟知的高端白酒行业，贵州茅台，五粮液。这些企业都是因为供不应求，他们的工艺、品牌效应很好。所以他们不担心收不到钱，不担心有欠款。这也就是他们现金流量情况很好的原因。

二、使用数据接口获取财务指标

这里有“单季度/年度财务数据”和“报告期财务数据”
这2者有什么区别？他们主要是数据获取的周期不同。

• 单季度：第一、第二、第三、第四、季度分别的利润是多少。
• 年度：以年为单位的利润是多少。
• 报告期：第一季度，半年报，第三季度，一年报。半年报是覆盖1_{6月，年报是1}12月。

get_fundamentals(query_object, date=None, statDate=None)

这里的“fundamentals”翻译过来是“基本面”的意思。

“财务数据”也叫做企业的基本面
我们之前有介绍过根据“基本面”和“技术面”做选股策略，这里的基本面，就是“财务数据”。

市值数据
它包含“总股本”“流通股本”、“总市值”、“流通市值”“市盈率”这些数据。
这是最基本的信息 表达的是这家公司的规模大小。以及估值情况。这些数据是我们再炒股平台可以看到的。 就是股票的基本信息。

财务指标数据
这节课主要看“财务指标数据”。它和“资产负债数据”、“现金流数据”、“利润数据”有什么区别？

• eps 每股收益EPS(元)。每股收益＝净利润/期末股本；你可以理解为：假如公司股份化为了1000份，净利润除以1000就是“eps”，这个值越大越好，它代表公司的盈利能力。
• roe:净资产收益率ROE(%),它等于：归属于母公司股东的净利润*2/（期初归属于母公司股东的净资产+期末归属于母公司股东的净资产）。它相当于一个公司资产的产出，比如2个白酒企业，他们都有自己的场子，规模差不多。但是公司1对应的产能销量是1000万，公司2是100万。那它们谁的roe高？肯定公司1高，因为同样的资产，它获得的利润越多。它体现的是净资产的使用能力。
• operating_profit：经营活动净收益(元)，它等于：营业总收入-营业总成本
• inc_net_profit_year_on_year：净利润同比增长率(%)。它等于：（当期的净利润-上月（上年）当期的净利润）/上月（上年）当期的净利润绝对值=净利润同比增长率。通俗的讲，它就是今年的利润比去年的利润增长了多少。比如说，去年的利润是100万，今年的利润是200万元，那增长多少呢？就是（200万-100万）/100万=100%，也就是百分百的同比增长率

我们怎么利用这4个指标来选股呢？

3.1利用财务指标进行选股
对结果筛选，通过4个指标严格判断。并且存起来。

#基于盈利指标选股1. eps 2. operating_profit 3. roe 4. inc_net_profit_year_on_year
df = df[(df['eps']>0) & (df['operating_profit']>214406045.5) & (df['roe']>11) & (df['inc_net_profit_year_on_year']>10)] 
print(df)
df.to_csv(r'C:\Users\huang\Desktop\XuhssQuant\Data\Finance\finace2020Filter.csv')

二、估值的方法有哪些？

1.1绝对估值法
它是一种定价模型，用于计算企业的内在价值。

比如说你可以根据公司近N年的现金流情况。借此去预测未来N年的现金流情况。所有的现金流数据都可以在年报上查询到。最后按照预测的数据进行折现，也就是算出未来5-10年的价格换算到今天是多少钱，来判断当前的股价是贵还是便宜。它是贵还是便宜会决定我是买还是不买。

因为一个公司如果越值钱，它的股价就越贵，但这个不是绝对的，对于投资者来说，我们就是要找到公司价值很不错。但是股价没有那么高的公司。这个就是赚钱的关键。利用公司本身的价值和它在市场上价值的差价赚钱。这也是巴菲特所说的“价值投资了”。但是在绝对估值方法里面有个很重要的指标叫做折现率。折现率可以理解为未来的钱转换为现在的钱对应的百分比。折现率取决于你对市场的判断，它是主管和客观揉合的结果。

折现率的值设定不同，会导致最后计算企业价值不同。

这个折现率是直接影响企业价值的。企业价值还和什么有关系呢？

将预估的企业价值除以股本数，得到的是预估的每股价值。通过预估的每股价值和市场上当前的每股市值，就可以指导我们选择股票的决策了，预估的价值相对市场价值越多，就值得买入。

绝对估值法比较通过折现率来判断，主观判断更多。我们很难利用这样的模型做出准确的判断。所以我们在市场上常用的方法叫做“相对估值法”。

1.2相对估值法
相对估值法主要有这些指标，PE市盈率、PB市净率、PS市销率。

为什么叫做相对估值，因为上述指标的高低取决于同行业其他公司的。它是通过比较来计算的。

二、获取估值数据

get_fundamentals(query_object, date=None, statDate=None)

2.1基本指标
接着我们来了解一下它返回的数据。返回了

“股票代码”：带后缀.XSHE/.XSHG

“日期”：取数据的日期

“总股本”：公司已发行的普通股股份总数(包含A股，B股和H股的总股本)

“流通股本”，流通代表的是可以交易的。

“总市值”：总市值=当前收盘价*总股本

“流通市值”：流通市值 =当前收盘价* 流通股本

“换手率”：它表示股票转手买卖的频率。在牛市当中， 大家的换手率会很高，因为投机行为会增多，大家都希望通过不断的交易区获取收益。

2.2估值指标
市盈率(PE, TTM)：滚动市盈率
市盈率(PE)：静态市盈率
市净率(PB)：每股股价与每股净资产的比率
市销率(PS, TTM)：市销率为股票价格与每股销售收入之比，市销率越小，通常被认为投资价值越高。
市现率(PCF, 现金净流量TTM)：每股市价为每股现金净流量的倍数

三、实战

import datetime
#获取股票估值数据
df = get_fundamentals(query(valuation), statDate=datetime.datetime.today())
print(df)

valuation 表示获取估值的指标。

可以看到：它会返回当天的所有企业的估值指标。

到这里我们就获得了所有股票市值和估值相关的数据。

为什么把市值和估值放在一起呢？因为估值数据等于市值数据除以利润、现金流等数据得到的。

在选股的时候，我们会把估值指标用来衡量股票的性价比。比如说，我们上节课选择了一些公司成长性盈利性不错的企业，这时假如我想买入几家公司的股票，我还会去看它的pe市盈率是多少，我会希望这家公司的pe相对较低，也就是估值相对低，这样未来的成长空间会更大。

所以如果我想把pe的条件也加入到筛选的代码里面，应该如何实现呢？

我们使用code作为匹配的标准，当它们的code(股票代码)一样，我就把pe_ratio这一列数据组合进去就好了。

#获取股票的财务指标数据
df = get_fundamentals(query(indicator), statDate='2020')

#基于盈利指标选股1. eps 2. operating_profit 3. roe 4. inc_net_profit_year_on_year
df = df[(df['eps']>0) & (df['operating_profit']>214406045.5) & (df['roe']>11) & (df['inc_net_profit_year_on_year']>10)] 
df.index = df['code']

import datetime
#获取股票估值数据
df_valuation = get_fundamentals(query(valuation), statDate=datetime.datetime.today())
df_valuation.index = df_valuation['code']

df['pe_ratio'] = df_valuation['pe_ratio']
print(df)

你可以发现 简单的通过把“code”设置为索引，就可以简单的匹配字段的信息。有了合并的df后，我们又可以在他的基础上筛选了

#获取股票的财务指标数据
df = get_fundamentals(query(indicator), statDate='2020')

#基于盈利指标选股1. eps 2. operating_profit 3. roe 4. inc_net_profit_year_on_year
df = df[(df['eps']>0) & (df['operating_profit']>214406045.5) & (df['roe']>11) & (df['inc_net_profit_year_on_year']>10)] 
df.index = df['code']

import datetime
#获取股票估值数据
df_valuation = get_fundamentals(query(valuation), statDate=datetime.datetime.today())
df_valuation.index = df_valuation['code']

df['pe_ratio'] = df_valuation['pe_ratio']
df = df[df['pe_ratio']<50]
print(df)

通过结果可以看到：晒出来的股票明显少了一些，并且这些企业的市盈率都是小于50的