基础分析主要分析公司的小环境，大环境的变化只是谈天的好材料，用来炒股的实用性不大。研究小环境中公司的经营情况是必要的。以我自己的经验，如果只靠走势图来炒股，不知公司到底是干什么的和干得怎么样，心里虚的很。（注：这与中国股市的情况是不一样的。中国的上市公司造假的太多，大多数散户没法了解背后的真实情况，而且是庄家市。所以还是以走势图来炒股更有把握些。不过基本的情况还是要了解一些。）

　　 你认为什么因素使投资者入市买股票？华尔街有过调查，使一般投资者入场买股票的原因最主要是股票在升而不是股票的成本收益比率低或红利高！同样，投资人卖股票的最主要原因是因为股票在跌！在跌！请记着：当街头巷尾的民众在谈论股市如何容易赚钱的时候，大市往往已经到顶或接近到顶。人人都已将资金投入股市，股市继续升高的推动力就枯竭了。而大众恐惧的时候，则该卖的都已经卖了，股票的跌势也就差不多到头了。我假设这本书的读者已具备最最基本的股票知识，如什么是股票、股票是怎样交易的等等。你如果这样的知识还不具备，我建议你先去找本股票常识读物。这类读物在任何书店都能找到，在书店占的位置通常都不会太冷僻。这些知识是死的，了解起来很容易。以我的观察，一个人若能稍微专心点的话，两个星期就足够了。在这里，我无意用一百页的篇幅来介绍到处都有的材料。每位认真的股市参与者，都应该有个自己的小图书馆，其中包括最少一本有关的股票常识读物。

　　 分析股票升跌及为何升跌的知识可以粗略地分成两大类：

　　 一，基本面分析（ Fundamental Analysis ）

　　 二，技术分析（ Technical Analysis ）

　　 技术分析研究股价、时间、交易量之间的相互关系，即图形分析，其它都属于基础分析的范畴。不要将两种分析完全分割开，它们其实是相关联的。我们在技术分析中看到的股价、交易量和时间的互动关系其实反映了投资者们对公司经营的看法。他们用自己的资金来为该公司的前景投票。（在中国市场是反映了投资者们对庄家操盘的看法。）

　　 和炒股息息相关的另一重要知识是怎样判定股票的大市，即股市的大趋势如何。要想炒股成功，判定大市的能力必不可少。牛市或熊市指的就是大市。大市升叫牛市，大市跌叫熊市。

注：
tushare接口已进行更新，之前的旧接口不可用，(新接口：https://tushare.pro/)。因此，课本中的部分操作已不可用。
股票基本面分析实际操作：
1、数据准备
利用tushare获取股票的相关数据，但因所需的数据不在同一个接口就能读取到，因此分两次获取。(ps：excel的合并没用Python)
import tushare as ts                    #引入tushare
ts.set_token('8fd9fa6fe51e5f0a0cbd5b18b6e8ffaea51002f32a1770acb69d9466')      #执行一次在本机保存token，以后无需执行
pro= ts.pro_api()          #初始化接口
data= pro.stock_basic()                   #读取相关股票数据
data.to_excel("上市公司基本面1.xlsx")         #把数据读入到excel里
df = pro.daily_basic(ts_code='', trade_date='20201210', fields='ts_code,trade_date,total_mv,pe')                   读取total_mv,pe数据
df.to_excel("上市公司基本面2.xlsx")         #把数据读入到另一个excel里
2、数据类型转换
从excel中读取数据时，pandas会将数据自动转换为数值类型。因此，当股票代码前两位为00时，这两个数值就会丢失。故我们应将code字段设置为字符串。(此处提及的code是股票基本数据的一个字段，相关字段见补充)
df = pd.read_excel('上市公司基本面.xlsx',dtype={'code':'str'})       #读取excel表格，并把code设置字符串类型
print(df)
df.set_index('ts_code',inplace=True)         #将code设为索引列
结果：
excel截图.png
excel截图2.png
3、相关数据
查看股票的基本信息
print(df.shape)           #4083只股票
print(df.columns)         #显示数据的相关字段
a = len(df.industry.unique())    #显示行业数
b = len(df.area.unique())          #显示股票归属的省份
c = df.groupby('area').area.count().sort_values(ascending=False)         #按地区统计上市公司数量，体现地区经济实力
print(a)
print(b)
print(c)
结果：
运行结果部分截图.png
4、统计每年股票发行量并绘制折线图
year = df.list_date.astype('str').str[:4]           #转换为字符串，提取年份
yearnum = df.groupby(year).name.count()               #按年份统计，每年股票发行量
import matplotlib.pyplot as plt                         #引入绘图库
plt.rcParams['font.sans-serif']=['SimHei']                #设置中文
yearnum.plot(title='年IPO数量',marker='o',fontsize=16)          #绘制图像
plt.show()
按年份统计股票的发行量，判断当年是牛市还是熊市
结果：
1990-2020年PIO数量.png
5、计算市场的平均市盈率
可以发现在这个excel表格中，有一些股票的pe(市盈率)是显示为0的，这是因为这些股票是亏损的，因此在计算市场平均市盈率时要剔除这一部分的数据。
pe_mean = df[df.pe > 0].pe.mean()         #剔除亏损的股票后计算均值
print(pe_mean)
简单的算数平均.png
pe_mean2 = np.sum(df.pe * df.total_mv)/df.total_mv.sum()             #以总市值为权重求加权的pe
print(pe_mean2)
加权平均.png
6、对每个版块进行统计
df['board'] = df.index.str[:2]
d = df.groupby('board').pe.agg([('pe均值','mean'),('股票数','count')])
print(d)
结果：
分版块统计结果.png
附：
名称         类型               描述
ts_code str           TS代码
symbol  str           股票代码
name    str           股票名称
area             str              所在地域
industry    str              所属行业
list_date   str 上市日期
price   float   Y   发行价格
pe  float   市盈率(总市值/净利润， 亏损的PE为空)
total_mv    float   总市值 (万元)
更多的字段可前往Tushare官网查询：https://waditu.com/

一、初识Pandas
Pandas 是基于 NumPy 的一个非常好用的库，它有两种自己独有的基本数据结构Series (一维)和 DataFrame(二维)，它们让数据操作更简单了。虽然Pandas有着两种数据结构，但它依然是 Python 的一个库，所以，Python 中有的数据类型在这里依然适用，也同样还可以使用类自己定义数据类型。
在金融数据分析领域，Pandas更是起到了非常重要的作用，比如用于量化交易。Pandas 纳入了大量库和一些标准的数据模型，提供了高效地操作大型数据集所需的工具，对于亿级的数据处理也如鱼得水。
二、Pandas基本操作
1、Series的创建
Series的创建主要有三种方式：
1)通过一维数组创建Series
import numpy as np
import pandas as pd
#创建一维数组
a = np.arange(10)
print(a)
s = pd.Series(a)
print(s)
输出如下：
2)通过字典的方式创建Series
import numpy as np
import pandas as pd
#创建字典
d = {'a':1,'b':2,'c':3,'d':4,'e':5}
print(d)
s = pd.Series(d)
print(s)
输出如下：
3)通过DataFrame中的某一行或某一列创建Series
参考下面DataFrame第三种创建方式中的s = df3[‘one’]。
2、DataFrame的创建
DataFrame的创建主要有三种方式：
1)通过二维数组创建DataFrame
import numpy as np
import pandas as pd
#创建二维数组
a = np.array(np.arange(12)).reshape(3,4)
print(a)
df1 = pd.DataFrame(a)
print(df1)
输出如下：
2)通过字典的方式创建DataFrame
以下以两种字典来创建数据框，一个是字典列表，一个是嵌套字典。
import numpy as np
import pandas as pd
d1 = {'a':[1,2,3,4],'b':[5,6,7,8],'c':[9,10,11,12],'d':[14,14,15,16]}
print(d1)
df1 = pd.DataFrame(d1)
print(df1)
d2 = {'one':{'a':1,'b':2,'c':3,'d':4},'two':{'a':5,'b':6,'c':7,'d':8},'three':{'a':9,'b':10,'c':11,'d':12}}
print(d2)
df2 = pd.DataFrame(d2)
print(df2)
输出如下：
3)通过DataFrame的方式创建DataFrame
我们取出2)中的df2来创建df3
df2 = pd.DataFrame(d2)
print(df2)
df3 = df2[['one','two']]
print(df3)
s = df3['one']
print(s)
输出如下：
三、处理股票数据
接下来，我们通过实例来学习Pandas在处理股票数据上的应用。
我们使用pandas_datareader来获取阿里巴巴的股票数据。
1)导入以下库：
import pandas as pd
import pandas_datareader.data as web
#绘图使用
import matplotlib.pyplot as plt
#获取时间使用
import datetime
2)设置股票名称和时间参数
name = "BABA"
start = datetime.datetime(2015,1,1)
end = datetime.date.today()
3)获取股票数据
prices = web.DataReader(name, "google", start, end)
4)查看prices的类型
print(type(prices))
打印如下：
可以看到返回的数据类型就是DataFrame类型。
5)查看股票的摘要信息
print(prices.describe()
打印 如下：
Open        High         Low       Close        Volume
count  791.000000  791.000000  792.000000  792.000000  7.920000e+02
mean   106.632099  107.793186  105.355164  106.614520  1.610571e+07
std     38.191772   38.539981   37.719848   38.156416  9.941683e+06
min     57.300000   58.650000   57.200000   57.390000  2.457439e+06
25%     79.855000   80.945000   79.157500   79.935000  1.003487e+07
50%     91.000000   91.740000   89.925000   90.705000  1.350020e+07
75%    119.315000  120.400000  118.462500  120.205000  1.879724e+07
max    204.830000  206.200000  202.800000  205.220000  9.704593e+07
再来打印最新的三条信息
print(prices.tail(3))
Open    High     Low   Close    Volume
Date
2018-02-21  189.37  193.17  188.46  188.82  22071585
2018-02-22  190.20  190.74  187.77  188.75  12282843
2018-02-23  190.18  193.40  189.95  193.29  16937275
6)绘图
我们将阿里巴巴的股票数据按照开盘价绘图。
plt.plot(prices.index, prices["Open"])
plt.show()
从图中我们可以看到阿里巴巴的股票一路攀升，细心点发现每年的11月都有一个高点。
四、总结
Pandas是以NumPy和Matplotlib为基础封装的金融数据分析的库，对于量化交易十分有用，通过可视化的效果能帮我们一定程度分析股市的走向。

在开始今天的个股分析解析之前，先聊一聊“年报”和“研报”。因为这两个词在接下来的应用中会非常频繁，是个股分析必备的。
“年报”是上市公司年度的业绩报告，包含上市公司一年以来的经营情况，财务报表细则等多种信息，年报可以通过-巨潮资讯、对应交易所官网查询，同样可以在“萝卜投研”查询到年报和研报相关数据。
ps:一些公司的年报会发布竞争对手以及行业数据，这些信息的可参考价值往往高于第三方平台。
“研报”即券商研报，是证券公司调研报告，又可以称为卖方研究报告，是证券公司或者投资银行的专职研究人员对上市公司或行业、宏观、行情预测等的研究性报告。
另外多说一句，无论是年报还是研报，都是分析个股时用到的数据，但是并不是所有的数据都要用，只挑选一些重点！对个股分析有帮助的数据使用，没有帮助的数据不用。
要学会使用和分析数据，就是接下来的文章会慢慢深入和大家聊一聊。
找到好生意：两招判断好生意之活得久
1.分析生意能不能让公司活得久。
2.分析生意能不能让公司赚得多。
过去十年A股涨幅排名前列行业：
行业的先天差异，使得好行业更容易获得高收益。
医疗保健：25倍；
白酒：16倍；
软件：16倍；
医药：12倍；
家用电器：10倍；
家居用品：10倍。
判断好生意的第一招：
公司要想活得久，市场潜力要大，市场竞争要小。
市场潜力：
市场潜力越大，未来的发展空间才越大。
怎么判断生意有没有市场潜力呢？
要了解生意的市场规模，知道生意的天花板在哪里。
分析公司市场潜力的指标：
主要看生意的市场容量，即市场规模。
市场容量如何计算？
对于比较熟悉的行业，可以自己估算。如家庭必备的耐用消费品，冰箱、洗衣机、空调等。
以洗衣机为例：
基本上每户家庭都有一台洗衣机，
国内大概有4.3亿户家庭，
如果每台洗衣机只能用1年，那每年洗衣机就有4.3亿的需求量，
但是洗衣机不可能只用1年，一般能用个8-10年左右，这里取10年，
每年洗衣机的市场规模，4.3亿/10=4300万台。
这就是目前洗衣机的市场容量。
2016年中国洗衣机市场零售量为3428万台，未来的市场空间大不了。
国内保有量比较法：
以空调为例：
一户家庭不会只有一台空调，一般是2-3台；
空调的市场容量就比洗衣机大了2-3倍。
这也是目前主要卖洗衣机的小天鹅与主要卖空调的格力和美的之间市值差距巨大的主要因素。
估算方法的核心：
用生活常识和搜索到数据估算市场容量。切记生搬硬套。
从研报中看市场潜力：
市场容量的计算：
没接触过的行业，如定制家居：
直接看证券公司分析师写的行业报告、公司报告；
查找行业报告的工具——萝卜投研
以定制家居为例：
第一步，百度“萝卜投研”这个关键词。
点击进去之后，输入“定制家居市场规模”，点击搜索；
点击图片里面框出来的地方；
点击展开更多条件；
先选择最近一年，然后点击轻工制造，行业研究，深度报告和研报，最后点击查询；
下拉之后可以看到所筛选出来的研报，一共有108条，如果大家选出来的不是108条，可能是证券公司的分析师写了新的研报，或者有些研报被删除了。
找到定制家具市场规模相关的信息。
由此可以判断定制家具行业正处于高速发展期，未来还有很可观的市场潜力。
市场竞争：
行业的竞争格局，影响着行业能否为企业提供稳定的生存环境，进而影响着企业是否能够活得久。
行业的竞争越小，企业活的越滋润，越容易长久存活；
行业竞争激烈，企业很可能现在还是行业佼佼者，过几年就销声匿迹了。
如何判断企业所处的行业竞争是否激烈呢？
常见的竞争格局有4种：
完全竞争；
垄断竞争；
寡头垄断；
完全垄断。
通过企业数量和市场集中度来判断行业处于哪种竞争格局。
市场集中度是指市场中前几位最大企业所占的市场份额之和。符号表示为CRN，N表示前N家企业。
CR4是指前四家最大的企业所占的市场份额之和。
企业数量和市场集中度与竞争格局的关系：
企业数量越少，市场集中度越高，经常竞争越弱，企业越容易获得超额利润，并且未来长期存活的可能性越大。
空调行业发展史：
第一阶段：改革开放之初至1996年，市场需求快速扩张，市场潜力巨大。
第二阶段：1997-2006，空调产业广阔的市场前景吸引了大量的资本进入。
第三阶段：2006-2017，在上一轮激烈竞争中存活下来的公司，越做越大。
第四阶段：2017年至今，企业数量少，市场集中度高，行业龙头的净利润继续提高。
行业集中率04-11年的数据：
2004-2011年空调行业前三大品牌的市场集中度不断增加。
空调行业集中度持续提升。
格力电器20年的盈利数据：
在2003-2006，格力的净利率只有3%左右。2007年空调行业竞争格局步入稳定阶段之后，格力的净利率一路攀升至2016年的14.11%。
第一个阶段：
企业不多，市场集中度低，竞争弱，但是行业广阔的前景必然吸引新的竞争者不断进入，使竞争不断加剧，在这个阶段的龙头企业，规模尚小，我们很难判断它是否长久存活。
第二个阶段：市场处于完全竞争状态，市场内企业众多，市场集中度低，竞争激烈，我们站在1997年很难判断哪个企业能活到最后。
第三个阶段：市场内企业减少，市场集中度逐渐提高，竞争减弱，此时形成的龙头企业占据大部分的市场净额，这种规模优势也使得新竞争对手想要进入行业获利变得越来越困难，龙头企业未来稳定存活的概率就更大了。
第四个阶段：市场内企业持续减少，市场集中度高，竞争较弱，龙头企业的规模优势越来越明显，存活概率高。
在企业数量越少，市场集中度越高的行业中，龙头企业在未来更容易长期存活。
文章中给大家介绍的工具、举例的公司，不构成任何具体的投资建议。
站长公众号
汇财定投
版权声明：本站内容来自网络，如有侵权，请联系站长删除！投资有风险，入市需谨慎！