财报分析实战：3个Python脚本自动计算ROE、毛利率等10项核心财务比率

财报分析实战：3个Python脚本自动计算ROE、毛利率等10项核心财务比率

在量化投资和企业财务分析领域，能够快速准确地计算关键财务指标是做出明智决策的基础。传统手动计算不仅效率低下，还容易出错，而Python的自动化处理能力可以彻底改变这一局面。本文将提供三个即插即用的Python脚本，帮助开发者一键生成10个最具价值的财务比率，涵盖盈利能力、偿债能力和运营效率三大维度。

1. 环境准备与数据获取

在开始编写财务指标计算脚本前，需要确保Python环境已安装必要的库。推荐使用Anaconda创建独立环境：

conda create -n financial_analysis python=3.8 conda activate financial_analysis pip install pandas numpy yfinance requests

对于上市公司财务数据获取，我们有两种主流方式：

方式一：使用Yahoo Finance API获取实时数据

import yfinance as yf def get_financial_data(ticker): company = yf.Ticker(ticker) # 获取资产负债表 balance_sheet = company.balance_sheet # 获取利润表 income_statement = company.income_stmt # 获取现金流量表 cash_flow = company.cashflow return balance_sheet, income_statement, cash_flow

方式二：从本地Excel导入历史数据

import pandas as pd def import_from_excel(file_path): balance_sheet = pd.read_excel(file_path, sheet_name='BalanceSheet') income_statement = pd.read_excel(file_path, sheet_name='IncomeStatement') cash_flow = pd.read_excel(file_path, sheet_name='CashFlow') return balance_sheet, income_statement, cash_flow

提示：对于A股上市公司，可以使用Tushare或AKShare等专门针对中国市场的金融数据接口

2. 盈利能力指标计算脚本

盈利能力是评估公司价值的关键维度。以下脚本可自动计算ROE、毛利率、净利率和核心利润贡献度四大指标：

def calculate_profitability_ratios(income_stmt, balance_sheet): """ 计算盈利能力指标 :param income_stmt: 利润表DataFrame :param balance_sheet: 资产负债表DataFrame :return: 包含盈利能力指标的字典 """ ratios = {} # 获取必要数据 net_income = income_stmt.loc['Net Income'] total_revenue = income_stmt.loc['Total Revenue'] cost_of_revenue = income_stmt.loc['Cost of Revenue'] operating_income = income_stmt.loc['Operating Income'] shareholders_equity = balance_sheet.loc['Total Stockholder Equity'] # 计算ROE（净资产收益率） ratios['ROE'] = net_income / shareholders_equity # 计算毛利率 gross_profit = total_revenue - cost_of_revenue ratios['Gross Margin'] = gross_profit / total_revenue # 计算净利率 ratios['Net Margin'] = net_income / total_revenue # 计算核心利润贡献度 ratios['Core Profit Ratio'] = operating_income / net_income return ratios

关键指标解释：

注意：不同行业的合理指标范围差异很大，科技公司通常有更高的毛利率，而零售业则较低

3. 偿债能力指标计算脚本

偿债能力分析对评估公司财务健康至关重要。以下脚本计算流动比率、速动比率、资产负债率和利息保障倍数：

def calculate_liquidity_ratios(balance_sheet, income_stmt): """ 计算偿债能力指标 :param balance_sheet: 资产负债表DataFrame :param income_stmt: 利润表DataFrame :return: 包含偿债能力指标的字典 """ ratios = {} # 获取必要数据 current_assets = balance_sheet.loc['Total Current Assets'] current_liabilities = balance_sheet.loc['Total Current Liabilities'] inventory = balance_sheet.loc['Inventory'] total_assets = balance_sheet.loc['Total Assets'] total_liabilities = balance_sheet.loc['Total Liabilities'] ebit = income_stmt.loc['EBIT'] interest_expense = income_stmt.loc['Interest Expense'] # 计算流动比率 ratios['Current Ratio'] = current_assets / current_liabilities # 计算速动比率（酸性测试比率） quick_assets = current_assets - inventory ratios['Quick Ratio'] = quick_assets / current_liabilities # 计算资产负债率 ratios['Debt to Asset Ratio'] = total_liabilities / total_assets # 计算利息保障倍数 ratios['Interest Coverage'] = ebit / interest_expense return ratios

偿债能力指标应用场景：

• 短期债权人最关注流动比率和速动比率
• 长期投资者更看重资产负债率和利息保障倍数
• 行业对比时要注意不同行业的资本结构差异

典型问题处理：

# 处理利息支出为零的情况 if interest_expense == 0: ratios['Interest Coverage'] = float('inf') # 设为无穷大

4. 运营效率指标计算脚本

运营效率指标反映公司管理资产的效能。以下脚本计算应收账款周转率、存货周转率和总资产周转率：

def calculate_efficiency_ratios(income_stmt, balance_sheet): """ 计算运营效率指标 :param income_stmt: 利润表DataFrame :param balance_sheet: 资产负债表DataFrame :return: 包含运营效率指标的字典 """ ratios = {} # 获取必要数据 total_revenue = income_stmt.loc['Total Revenue'] accounts_receivable = balance_sheet.loc['Accounts Receivable'] inventory = balance_sheet.loc['Inventory'] total_assets = balance_sheet.loc['Total Assets'] # 计算应收账款周转率 ratios['Receivables Turnover'] = total_revenue / accounts_receivable # 计算存货周转率 ratios['Inventory Turnover'] = total_revenue / inventory # 计算总资产周转率 ratios['Asset Turnover'] = total_revenue / total_assets return ratios

周转率指标的行业差异：

5. 综合应用与可视化

将三个脚本整合并添加可视化功能：

import matplotlib.pyplot as plt def analyze_company(ticker): # 获取数据 balance_sheet, income_stmt, cash_flow = get_financial_data(ticker) # 计算各类指标 profit_ratios = calculate_profitability_ratios(income_stmt, balance_sheet) liquidity_ratios = calculate_liquidity_ratios(balance_sheet, income_stmt) efficiency_ratios = calculate_efficiency_ratios(income_stmt, balance_sheet) # 合并所有指标 all_ratios = {**profit_ratios, **liquidity_ratios, **efficiency_ratios} # 可视化展示 plt.figure(figsize=(12, 6)) pd.Series(all_ratios).plot(kind='bar') plt.title(f'{ticker} Financial Ratios') plt.ylabel('Ratio Value') plt.xticks(rotation=45) plt.tight_layout() plt.show() return all_ratios

实际项目中，我们还需要考虑：

• 多期数据对比分析
• 同行业公司对标
• 异常值检测与处理
• 自动化报告生成

# 多期数据分析示例 def multi_period_analysis(ticker, years=5): ratios_history = [] for year in range(2023-years, 2023): # 获取历史数据（需要相应API支持） data = get_historical_data(ticker, year) ratios = analyze_company(data) ratios_history.append(ratios) # 转换为DataFrame便于分析 return pd.DataFrame(ratios_history)