精华内容
下载资源
问答
  • 基本面分析基本面量化投资?

    千次阅读 2019-07-22 10:45:31
    而就目前来看,基于因子的基本面量化投资并非基本面分析的完美替代。 1、伟大的会面 1968 年夏天,两个后来均被视为投资界传奇的人 —— Warren Buffett 和 Edward Thorp —— 进行了一次伟大的会面。 Buffett,...

    作者:石川

    来源:川总写量化

    正文:

    摘要:放眼未来,量化和基本面分析的紧密结合将是大势所趋;而就目前来看,基于因子的基本面量化投资并非基本面分析的完美替代。

    1、伟大的会面

    1968 年夏天,两个后来均被视为投资界传奇的人 —— Warren Buffett 和 Edward Thorp —— 进行了一次伟大的会面。

    Buffett,无需多言,他深谙基本面分析、是价值投资的终极代言词;Thorp,也无需多言,他是加州大学 Irvine 分校(UCI)数学系教授,一个战胜了赌场和华尔街的男人(Thorp 2017)。

    Thorp 早先最出名的是发明了 21 点的记牌法,并利用凯利公式下注,征服了拉斯维加斯。之后,他又将其数学和概率天赋应用于华尔街,以系统性的量化手段战胜了市场,他的基金在近 30 年里取得了年化 20% 以上的收益率。Thorp 可以算作是最早将量化技术引入投资的先驱(Thorp and Kassouf 1967)。

    将这两人凑到一起的是 Ralph Waldo Gerard,时任 UCI 研究生院的院长。他之前一直将自己的钱交给 Buffett 管理并获得了很高的收益。然而在 1968 年,Buffett 发现使用他的老师 Graham 那一套已经无法找到足够多的便宜的股票了,因此决定将资金退回给投资人。这就是 Gerard 需要换一个人帮他理财的契机,而他很自然的想到了他在 UCI 的朋友 Thorp,另一个惊世天才。

    于是便有了上面所说的会面。

    见面后,Buffett 和 Thorp 都给予对方很高的评价。Thorp 回家后和他妻子说,Buffett 将在未来成为这个世界上最富有的人。而 Buffett 对 Thorp 的直接评价我们不得而知,但从侧面可以猜想到应该也不低,因为在这次碰面后,Gerard 将自己的钱交给 Thorp 管理。

    这大概是基本面分析(fundamental analysis)量化投资(quantitative investment)的第一次握手。而讲这个故事也是为了引出今天的主题 —— 基本面量化投资

     

    2、从基本面分析到基本面量化投资

    近年来,因子投资(factor investing)被广泛接受。其中很多因子是通过财务报表中的会计学指标构造的,比如 Book-to-Market Value、Return on Equity 等,它们被称为基本面因子。定量使用这类因子进行的基本面投资则被称为基本面量化投资(Quantamental),这个概念也已深入人心,Quantamental 在华尔街大行其道。

    基于某些 financial ratios 并利用 portfolio optimization techniques,大量的 rule-based 选股策略被发明出来;它们被视为继承了基本面分析(fundamental analysis)的衣钵。另一方面,因子投资的普及造就了数不胜数的 smart beta ETFs 产品;其中不乏对标基本面分析的 Value 和 Quality 因子类产品。这些低成本 ETFs 让普通投资者享受因子投资的同时,也推波助澜了基本面分析的“因子化”。面对如此影响深远的变化,Wall Street Journal 不禁高呼“The Quants Run Wall Street Now”。

    随着使用因子来执行的基本面量化投资的影响日益深远,也有学者表达了担忧。代表性的观点是,虽然量化较主观投资有着毫无争议的优势(比如可以摒弃人的认知偏差、可以回测);但仅仅使用财报中的 financial ratios 这种相对“简单粗暴”的方式远非基本面分析的合格代替品;使用财务数据排序来构建因子的量化手段仅仅是对证券内在价值(intrinsic value)进行 naïve estimate。

    上述观点背后的代表人物正是以研究盈余操纵而闻名的 Richard Sloan。对于 Sloan 教授,我想不用多做介绍。小伙伴们对他关于 earnings management 以及 accruals 的著名论文 Dechow, Sloan, and Sweeney (1995) 以及 Sloan (1996) 都谙熟于心。

    2017 年,Sloan 应美国会计协会(AAA)主席邀请作为当年 AAA 年会 Presidential Scholar 的演讲嘉宾之一,做了一篇题为 Fundamental Analysis Redux(基本面分析的重生)的报告。在报告中,Sloan 表达了基本面投资“因子化”的担忧:学术界越来越忽视 fundamental analysis 的重要性,而是倾向于用有限个简单的财务指标构建因子模型来代替前者;基于因子的基本面量化投资很容易忽视掉财报中的重要信息,且这些指标的数值反映的很可能是失真的会计数据(上市公司充分利用会计准则来产生会计报表)而非某种能够实现盈利的错误定价机会。

    Sloan 在 AAA 年会做的这篇报告于 2019 年发表于 The Accounting Review(Sloan 2019)。作为基本面量化投资的拥护者,我看后感受颇深,也非常同意量化投资和基本面分析的相结合不应仅仅止步于挑选几个财务指标构建因子这个层面。

    本文接下来几节就来梳理一下 Sloan (2019) 这篇文章的主要内容。行文中也会加入一些其它相关文献作为支持。希望它能带给各位小伙伴一些思考。

    感谢汪荣飞博士发给我 Sloan (2019) 这篇文章。

     

    3、基本面分析:A Brief History

    基本面分析源自 Graham and Dodd (1934) 这本著名的 Security Analysis;基本面分析旨在通过定量和定性分析与上市公司相关的经济和金融数据来衡量证券的内在价值。而 Security Analysis 所提倡的基本面分析技术直接催生了金融分析师(financial analysts)这个职业。

    1937 年,纽约证券分析师协会成立并于 8 年后推出了 The Analysts Journal。1947 年,美国一些地方的证券分析师协会合并,成立了第一个全国性的金融分析师协会(National Federation of Financial Analysts Societies)。随后,该协会更名为 Financial Analysts Federation(FAF);The Analysts Journal 也更名为 Financial Analysts Journal。1959 年,Institute of Chartered Financial Analysts(ICFA)成立并开始举办 Chartered Financial Analysts(CFA)考试。最终,FAF 和 ICFA 合并组成了如今家喻户晓的 CFA Institute。

    随着金融分析师行业的发展,在上世纪 70 年代前后,基本面分析主宰了华尔街。在机构方面,有像 Fidelity 这样的巨头使用严格的基本面分析来推行它们的业务;而在投资者方面,有像 Warren Buffet 和 John Neff 这样的明星作为基本面分析的拥趸。此外,CFA Institute 在其课程设置上也把基本面分析作为在重中之重。

    然而就在同期,随着学术界在金融领域的迅速发展,一些变化悄然发生了。

    自上世纪 50 年代开始,现代投资组合理论、CAPM、有效市场假说(EMH)以及期权定价相继被提出,奠定了金融学的基础。而它们之中,对基本面分析造成最大冲击的当属有效市场假说。Fama (1965) 写到:

    If the random walk theory is valid and if security exchanges are ‘efficient’ markets, then stock prices at any point in time will represent good estimates of intrinsic or fundamental values. Thus, additional fundamental analysis is only of value when the analyst has new information which was not considered in forming current market prices or has new insights concerning the effects of generally available information which are not already implicit in current prices.

    如果市场是有效的,那么价格已经很好的反映了证券的内在价值。因此,除非分析师有新的消息(或者对已有消息有新的解读),否则是无法通过已有财报找到定价错误的。虽然 EMH 从推出以来就一直伴随着争议(往回翻仔细看本文第一张图左上角 Buffett 的那句话),但它依然作为市场第一范式牢牢统治了学术界的课堂。

    以 Bodie, Kane, and Marcus (2017) 这本投资学圣经(可以算是美国各大商学院投资学课程的指定教材;2017 年为第 11 版)为例,其写作理念就从一定程度上支持了 EMH 作为教学的第一范式,因此仅使用了很少的篇幅介绍基本面分析,而将更多的章节留给投资学中的其他内容:

    The integrated solutions for Bodie, Kane, and Marcus’ Investments set the standard for graduate/MBA investments textbooks. The unifying theme is that security markets are nearly efficient, meaning that most securities are priced appropriately given their risk and return attributes. The content places greater emphasis on asset allocation and offers a much broader and deeper treatment of futures, options, and other derivative security markets than most investment text.

    80 年前,Graham and Dodd (1934) 这本 Security Analysis 用了 15 章用来介绍基本面分析;而如今在 Bodie, Kane, and Marcus (2017) 这本几乎商学院学生人手一册的经典著作中,仅用了 1 章介绍基本面分析。与之形成巨大反差的是,该书中有 9 章介绍投资组合管理、3 章介绍资产定价、2 章介绍有效市场假说,以及 4 章介绍衍生品定价。

    这种学术界和教学中对于基本面分析的逐渐忽视潜移默化的影响了一代代新人,让严谨且科学的基本面分析走出了大众的视野。

     

    4、基本面量化投资:A Brief History

    本小节来回顾一下使用因子进行基本面量化投资的发展史。

    我在之前写过一篇关于因子投资的综述性文章《学术界、管理人、投资者视角下的因子投资》,从三个维度阐述了因子投资的发展。该文的很多观点和 Sloan (2019) 不谋而合。感兴趣的小伙伴不妨一读。下面主要介绍下 Sloan (2019) 中的观点。

    对于股票市场的定量分析很大程度上得益于上世纪 60 年代 CRSP 推出了股票价格数据,因为它让回测成为可能。有了数据的支持,学术界各显神通,先是对 CAPM 进行了检验并拒绝了它,而后又接二连三的发现了一个又一个的异象(anomalies)或因子(factor)。比如著名的 Fama and French (1993) 三因子中的 Book-to-Market Ratio(B/M)就是一个 value 因子。

    随着学术界在挖掘异象的道路上越走越远,业界自然也没闲着。业界把学术界的研究成果很好的落地化,变成了许多 style indices(风格指数)。举例来说,1987 年 Russell Investments 推出了最早的两个风格指数,分别对标价值股和成长股,而构造方法恰恰是 B/M:B/M 前一半的股票被放在了 Value Index、B/M 后一半的股票被放在了 Growth Index。在这之后,S&P、MSCI 以及 CRSP 也推出了它们各自的风格指数。

    最初,推出这些指数的目的是用来评估主动基金经理人的业绩。然而不久之后,复制这些指数的基金便应运而生,而这其中的代表则是大名鼎鼎的 Vanguard。1992 年,Vanguard 推出了第一支 value index fund(和第一支 growth index fund):

    The Value Portfolio seeks to replicated the aggregate price and yield performance of the S&P/Barra Value Index, an index which includes stocks in the S&P 500 Index with lower than average ratios of market prices to book value. These types of stocks are often referred to as ‘value’ stocks.

    Index-based Value Funds 一经推出便受到了追捧。人们把它们视作主动型价值投资的低成本替代品。鉴于 Value 因子取得的巨大成功,业界也开始把关注的重点进而转移到学术界发现的其他显著异象,并构造出了一系列 smart beta 产品。在这之中,除了 value 之外另一个高度依赖财务数据的则是 quality 因子。

    下图展示了 MSCI、Russell 以及 Fidelity 三家提供的 quality index 的选股标准。虽然每一家都用了不止一个财务指标来描述高质量公司,但我们也不得不承认,这些标准依然非常粗糙。颇有意思的是这三个构造方法都是用了某种投资回报率指标(如 ROE 或 ROA)。这很大程度上得益于学术界在 profitability 上的研究成果(比如 Novy-Marx 2013);同时也反映出业界对于学术界的最新发现追踪的非常及时。截止 2018 年 4 月,规模最大的 quality 因子 ETF —— the iShares Edge MSCI USA Quality Factor ETF —— 的资金量高达 45 亿美元。

    除了单一因子的指数外,业界的另一创新是将多个因子融合到一个 index-based 产品之中(multiple factor investing)。这样,投资者只需要购买一个对应的 ETF 就可以分散化的暴露于几个相关性较低的风格因子(尽管它们的尾部风险相关性并不低……)。这其中最著名的要数 MSCI Diversified Multiple-Factor 系列产品,它的目标是最大化的暴露在 Value、Momentum、Quality 以及 Low Size 四个因子上。在该产品线上,规模最大(10 亿美元)的 ETF 是 iShares Edge MSCI Multifactor USA ETF。

    除了这些 index-based 产品之外,华尔街上还有数不胜数的管理人采用基于因子的方法实践着基本面量化投资;这其中不乏 Dimensional Fund Advisors、AQR Capital Management、Arrowstreet Capital 等耳熟能详的名字。这些基金都有基于因子的基本面量化投资产品。

    上述这些推动了基本面投资“因子化”的盛行;却也使得这种投资手段变得异常拥挤。

     

    5、基本面投资“因子化”的不足

    面对大量相似的、几乎没有秘密可言的基本面因子产品,一个自然而然的问题就是它们能赚到钱嘛?事实上,以因子投资的先驱和倡导者 AQR 为例,它这几年的因子产品表现可谓惨不忍睹(见《艰难时刻需要坚韧信仰》)。

    对于上面这个问题,客观的答案是:像 Value、Quality 等风格因子从长期来看是有风险溢价的。对很多 super investors 业绩的归因也可以佐证这一点 —— 这些大佬的收益在很大程度上可以被上述风格因子解释。但是,对于短期内某个乃至全部主流风格因子的表现,投资者必须要有非常理性的预期。

    近日,Rob Arnott、Campbell Harvey 等人发文阐述了因子投资中的三大问题(Arnott et al. 2019)。其中第一条就是投资者错误的预期,包括低估了样本内过拟合的风险(一些因子本来就是假的)、没有考虑竞争带来的因子拥挤、以及对实际交易成本估计严重不足等问题。这三点在 Sloan (2019) 中也有介绍。下面分别来看。

    Data Mining(p-Hacking)

    通常来说,我们认为一个因子有效是因为它在回测中取得了非凡的风险收益特征。然而,由于 multiple testing 的问题,很多所谓显著的因子或异象仅仅是数据挖掘的产物。Harvey, Liu, and Zhu (2016)、Green, Hand, and Zhang (2017) 以及 Hou, Xue, and Zhang (2018) 的研究结果均支持上述观点。关于 multiple testing 造成的危害,公众号之前已经反复强调过了,感兴趣的小伙伴请看《出色不如走运 (II)?》《出色不如走运 (III)?》以及《美丽的回测 —— 教你定量计算过拟合概率》

    因子拥挤

    一个新因子被提出后,随着越来越多人使用,它在样本外的效果则会打折扣。McLean and Pontiff (2016) 研究了 97 个因子在被发表之后的表现,发现因子的收益率比样本内降低 50% 以上。Rule-based 的因子投资更是加剧了这种负面影响。任何一个投资策略想要持续赚钱都是利用了市场在某方面的非有效性。当使用的人越来越多,市场在这方面就会变得更有效,从而降低了该因子获取收益的能力。

    因子拥挤也会造成流动性冲击。一旦市场中发生冲击风格因子的事件后,持有相似头寸的管理人会竞相卖出手中的股票,由此产生的流动性危机会造成很大的亏损。2007 年 8 月,美股市场上一些非常优秀的量化对冲基金在短时间内录得了巨大的亏损。Khandani and Lo (2011) 对此进行了研究并发现,很多量化基金经理在短时间内清理了相似的头寸,巨大的抛压对流动性造成了巨大的打击、使得这些股票的价格在短时间内大幅下降。

    实施成本

    大多数研究因子的学术论文中并没有对交易费用给予充分的考虑,造成对因子收益率的高估。此外,由于因子投资组合一般都是多、空对冲的组合,因此如果不合理考虑做空限制,也会高估因子的收益。以 value 因子为例,Kok, Ribando, and Sloan (2017) 指出并没有证据表明基于 B/M ratio 的策略可以持续的战胜基准。B/M 在回测中的良好表现主要来自于做空一小撮微小市值的成长股。因此,尽管该因子的 on paper 收益率很高,但在实际中考虑了各种成本和费用之后,却难以盈利。

    毫无疑问,以因子为工具的基本面量化投资带给人们全新的投资途径。然而,上述诸多问题也随着它的发展变得日益严重,蚕食了因子投资的收益。究其原因,还是因为仅仅基于几个财务指标来构建因子这种做法相对粗糙,它们在很多时候难以反映财务报表中所传递出来的最具价值的信息。从这个意义上说,基本面投资的“因子化”还远远不能取代基本面分析。

    下面通过 Sloan (2019) 中的一个例子说明基本面分析的价值以及因子投资对此的无能为力。

     

    6、A Case Study

    Big Five Sporting Goods(下称 BIG5)是一家总部位于加州的体育用品零售商,主要针对美国西部市场。下图展示了该公司于 2017 年 3 月 31 日最新的财务指标(针对 2016 财年)。图中八大指标分别属于 Value、Momentum、Quality 以及 Low Size 四大主流因子。对比 BIG5 和全部股票可知,该公司集 high value、high momentum、high quality 以及 low size 四大优点于一身。

    如此“优异”的股票怎能不令人心动?该公司也毫无悬念的从基本面多因子选股体系中脱颖而出,成为了各路策略追逐的明星。下表展示了 2017 年 3 月 31 日持有该股票的前十大机构(BlackRock、Dimensional Fund Advisors、Vanguard 等赫然在列)。

    当上述这些机构靠着多因子信号竞相购买 BIG5 之时,它的前最大股东 Stadium Capital 却悄悄的在 2016 年 6 月到 2017 年 3 月之间把它所拥有的全部 13% 股份先后卖出。与上述这些机构不同的是,Stadium Capital 是一家专注于基本面分析的对冲基金。

    究竟是谁比谁更聪明?是使用多因子投资的这些机构,还是站在它们对立面的、深谙基本面分析的 Stadium Capital?科学的基本面分析将会告诉我们答案。

    随着以 Amazon 为代表的 online 电商的迅速发展,传统零售商受到了巨大的冲击,BIG5 自然也不例外。而其在 2016 财年的优异表现得益于它比它的竞争对手活的更长一些。BIG5 的两大竞争对手分别为 The Sports Authority 和 Sports Chalet。由于整个传统零售行业下行,这两位纷纷于 2016 年申请破产,这立竿见影的减少了 BIG5 在线下面临的竞争。竞争对手的破产使得 BIG5 称为线下消费者的唯一选择,很大程度上提振了 BIG5 在 2016 年的业绩。但考虑到行业受到电商的冲击,这也仅仅是回光返照而已。在 2016 年 Q3 的财报中,BIG5 也坦承了这一点:

    Results were driven by strong sales growth, including increases in both customer transactions and average sales, as well as improved merchandise margins, and clearly reflected the benefit from the closure of over 200 Sport Authority and Sport Chalet store locations in our markets.

    然而上述 8 大指标的优异数值并不能反映出上述问题。

    除了竞争对手的纷纷垮台之外,另一大提升 BIG5 业绩的事件是 2016 年美国总统选举。当时,民主党候选人希拉里呼声颇高,而希拉里的主张之一是限制枪支。大量的枪支拥护者担心希拉里如果当选将会颁布更严厉的控枪措施,因此在当年 11 月份大选之前纷纷购置了更多的枪支。作为枪支的销售商,BIG5 受此事件影响而大大提升了销售额。后面的事情大家都知道了,特朗普当选,舆论哗然;而枪支销售给 BIG5 带来的高收益也仅仅成为昙花一现。

    再一次的,上述 8 大指标的优异数值全然无法反映上述问题。

    从 value 因子角度来看,2016 年销售额和盈利的激增让 BIG5 非常诱人。但当我们通过基本面分析得知这背后的原因就会明白,这么高的财务数据是难以持续的。如果以它们来外推,根本无法对该公司基本面的变化做出正确判断。下图显示了该公司 2016 到 2017 年股价和 EPS 的走势。

    再让我们看看 quality 维度的 ROE 指标。财报显示,BIG5 的 ROE 高达 0.084。但基本面分析发现其财报中存在斯通见惯的“old plant trap”,这极大降低了 ROE 中作为分母的 the book value of equity,从而虚高了 ROE。由于 BIG5 处在一个衰落的行业之中,其 PP&E 的摊销成本大大低估了其原始成本。具体来说,PP&E 的原始成本为 3.2 亿美元,而 2016 年财报中它的 net PP&E 仅为 7 千 8 百万。为了对此进行修正,Sloan (2019) 将 PP&E 的累积贬值加回到 book value of equity 之中,从而增大了 ROE 的分母。重新计算后,ROE 较前值 0.084 降低了 50% 以上,仅为 0.039。以这个水平来说,BIG5 并没有创造很好的回报。

    除 ROE 之外,quality 的另外两个指标 debt to equity 以及 accruals to assets 也出现了不同程度的失真。对于前者的计算,没有考虑 operating leases。一旦把它加入,BIG5 的 debt to equity ratio 便从 0.065 一下跳升至 1.500(直接落入高杠杆 quantile)。对于后者,BIG5 在 2016 年末有一大笔 accounts payable。因此,仅看其财报上的 high cash flow 实际上并不能正确判断其真实的运营情况,该 high cash flow 在未来难以持续。

    当我们使用基本面分析搞清楚了 BIG5 所处的行业背景以及其财报后面的来龙去脉,变会恍然大悟。原来在和因子投资机构的比拼中,Stadium Capital 笑到了最后。

    这个例子说明仅用简单的因子是难以捕捉财报中其他有价值的信息。即便是在因子投资为主宰的今天,科学、严谨的基本面分析仍有很高的价值。

     

    7、结语

    最后聊聊我看完 Sloan (2019) 的感受。

    我猜有些小伙伴会认为 Sloan (2019) 仅使用了很少的例子(原文中用了两个 case studies;本文介绍了 BIG5 这一个)说明基本面分析的价值并“否定”因子投资不足以令人信服。毕竟,基本面投资的“因子化”和基本面分析的使用者所具备的 skill sets 不同。

    对于普通投资者,正因为不具备专业金融分析师的基本面分析能力,才使用因子投资;而使用 value、quality 这些风格因子的目标是以概率取胜。换句话说,也许使用有限个因子挑出来的个别股票并不靠谱(比如上面的 BIG5),但只要控制好仓位,让选出的标的足够分散,那么还是能够依靠概率优势和大数定律获得长期的风险溢价。

    长久以来,学术界的一种主流观点是:由于有限套利,市场并非完美有效;而定价错误的大小应刚好等于通过基本面分析(以发现该定价错误)的套利成本。而显然,使用一些广为人知的因子来实现基本面量化投资并没有套利成本,所以因子投资者应该对它能够取得的效果有正确的认知。就因子投资的效果来说,样本内的过度挖掘以及样本外的过度拥挤都会对其产生很大的负面影响;基本面投资的“因子化”并不等同于基本面分析。

    我想,这才是 Sloan (2019) 呼吁重新重视基本面分析的初衷。在 Security Analysis 中,Graham 和 Dodd 就曾明确的指出投资者不应仅仅依靠几个量化的指标来制定其投资决策,而是应该进行全面系统的基本面分析。

    当然,这不意味着量化和基本面分析不能结合。

    随着近几十年投资学作为一门独立学科高速发展,数量化的触角已经渗透到投资流程的方方面面,如今可以说是无量化不投资。时至今日,广义的量化投资已经发展成为基于现代科学方法的理论体系、研究方式以及工程系统的总和。因此,基本面分析和量化投资的合二为一注定会发生。当前基于因子的基本面量化投资只是一个过渡,而这二者的最佳结合应是使用量化的手段来高质量、低成本的复制优秀基本面分析师对于财务报表勾稽关系的解读。当然,这绝不容易。

    在现阶段,如何有效的利用基本面分析来提升因子投资的效果呢?主要有以下两个途径。

    首先,利用会计学知识可以加工因子。举一个最简单的例子。Return on Total Assets(ROTA)是一个常用的指标。根据定义,它可以分解为:

    上式左侧正是 ROTA。在上式右侧,它被分解为两部分的乘积。其中右侧第一项是 net profit margin,代表了公司的效益(effectiveness);第二项是 total asset turnover,代表了公司的效率(efficiency)。ROTA 的高低由 effectiveness 和 efficiency 两要素决定。比起单一要素带来的高 ROTA 而言,当效益和效率都很高时,这个公司更有可能是优秀的公司。从这个猜想出发可以把 ROTA 因子改进分解成这两部分的组合,并以这两部分的综合评分来选股,以此和单纯使用 ROTA 选股进行对比。下表给出了在中证 500 指数上的效果。

    结果显示,ROTA 分解后,纯多头组合的夏普率较单纯使用 ROTA 而言从 0.62 上升至 0.67。利用简单的会计学知识就有可能改进一个常见的因子并取得更好的风险收益特征。再次强调的是,这仅仅是一个 toy example;基本面分析在因子的改造中能够发挥更大的作用。

    利用会计学知识和基本面分析的第二个重要作用是识别财务造假。无论是 Enron 的伪造收入,还是 WorldCom 的伪造利润和现金流,都可以从它们财务报表中寻觅出蛛丝马迹。会计学领域有很多经典著作揭示了财务欺诈的常见方法,非常值得学习。具备专业的基本面分析知识对于因子投资中的排雷至关重要。对于这方面的例子,可以参考申万宏源曹春晓分析师的报告《财务造假启示录:财务质量因子研究》;RiceQuant 对该研究也进行过复现(链接在此)。

    基本面分析关心的本质是对公司未来现金流的预测。基于因子的基本面量化投资有其无可替代的优势,但仅依赖有限的财务指标所关注的仍然只是已经发生的过去。唯有以量化的手段进行基本面分析才有可能更好的预测未来。对于因子投资来说,科学、严谨的基本面分析将会持续创造价值。

    放眼未来,量化和基本面分析的紧密结合将是大势所趋;而就目前来看,基于因子的基本面量化投资并非基本面分析的完美替代,一如 Sloan 教授在 Fundamental Analysis Redux 一文最后所说的那样:

    I acknowledge the benefits of quantitative investing, but argue that the simpleand well-known rules-based strategies that increasingly dominate today’sinvesting landscape are not good substitutes for fundamental analysis.

    参考文献

    Arnott, R., C. R. Harvey, V. Kalesnik, and J. Linnainmaa (2019). Alice's adventures in factorland: three blunders that plague factor investing. The Journal of Portfolio Management, Vol. 45(4), 18 – 36.

    Black, F. and M. Scholes (1973). The pricing of options and corporate liabilities. Journal of Political Economy, Vol. 81(3), 637 – 654.

    Bodie, Z., A. Kane, and A. J. Marcus (2017). Investment (11th edition). McGraw-Hill.

    Dechow, P. M., R. G. Sloan, and A. P. Sweeney (1995). Detecting earnings management. The Accounting Review, Vol. 70(2), 193 – 225.

    Fama, E. F. (1965). Random walks in stock market prices. Financial Analysts Journal, Vol. 51(1), 75 – 80.

    Fama, E. F. and K. R. French (1993). Common Risk Factors in the Returns on Stocks and Bonds. Journal of Financial Economics, Vol. 33(1), 3 – 56.

    Graham, B. and D. L. Dodd (1934). Security Analysis. McGraw-Hill.

    Green, J., J. R. M. Hand, and X. F. Zhang (2017). The characteristics that provide independent information about average U.S. monthly stock returns. The Review of Financial Studies, Vol. 30(12), 4389 – 4436.

    Harvey, C. R., Y. Liu, and H. Zhu (2016). … and the cross-section of expected returns. The Review of Financial Studies, Vol. 29(1), 5 – 68.

    Hou, K., C. Xue, and L. Zhang (2018). Replicating anomalies. The Review of Financial Studies, forthcoming.

    Khandani, A.E. and A.W. Lo (2011). What happened to the quants in August 2007? Evidence from factors and transactions data. Journal of Financial Markets, Vol. 14(1), 1 – 46.

    Kok, U. W., J. Ribando, and R. G. Sloan (2017). Facts about formulaic value investing. Financial Analysts Journal, Vol. 73(2), 81 – 99.

    McLean, R.D. and J. Pontiff (2016). Does academic research destroy stock return predictability? The Journal of Finance, Vol. 71(1), 5 – 32.

    Novy-Marx, R. (2013). The other side of value: the gross profitability premium. Journal of Financial Economics, Vol. 108(1), 1 – 28.

    Sloan, R. G. (1996). Do stock prices fully reflect information in accruals and cash flows about future earnings? The Accounting Review, Vol. 71(3), 289 – 315.

    Sloan, R. G. (2019). Fundamental analysis redux. The Accounting Review, Vol. 94(2), 363 – 377.

    Thorp, E. O. (2017). A Man for All Markets: from Las Vegas to Wall street, How I Beat the Dealer and the Market. England, London: Oneworld Publications.

    Thorp, E. O. and S. T. Kassouf (1967). Beat the Market: a Scientific Stock Market System. New York: Random House.

    免责声明:文章内容不可视为投资意见。市场有风险,入市需谨慎。

     

    拓展阅读:

    1.市面上经典的量化交易策略都在这里了!(源码)

    2.期货/股票数据大全查询(历史/实时/Tick/财务等)

    3.被动与主动的完美结合:指数增强策略的魅力

    4.七种量化选股模型

    5.如何设计量化交易策略?

    展开全文
  • 股票基本面分析

    2020-04-19 16:14:35
    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...

    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。

    展开全文
  • 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...
  • 股票投资基本面分析

    2016-08-22 13:17:37
    基本面分析定义: 以判断金融市场未来走势为目标,对影响价格走势的经济数据,宏观经济走势,各国货币当局政策以及地缘政治等因素进行分析基本面分析的目的: 使投资者更清楚地认识和了解市场目前的状况,更好地...

    基本面分析定义:

    以判断金融市场未来走势为目标,对影响价格走势的经济数据,宏观经济走势,各国货币当局政策以及地缘政治等因素进行分析;

    基本面分析的目的:

    使投资者更清楚地认识和了解市场目前的状况,更好地跟上市场运行的步伐,制定适应市场的交易策略。

    基本面分析的特点:

    基本面分析不具有预测市场未來方向的功能,只是客观地告诉你市场上发生了什么以及市场价格是如何反应的,并找到价涨跌的原因。

    通过分析价格涨跌原因,为金融市场未来走向提供指引!

    基本面分析的思路:

    定下主线思路(根据前一日的走势及最近一段时间内的基本面主调,判断大概的主线)

    分块突破(分别独立分开影响走势的每一块,例如:先查看供求关系的变化、分别分析美元区、欧元区经济情况,当中包括美元及欧元走势和各区的股市情况,另外再加以对其他次要因素的总结)

    最后做出归纳:根据一开始的主思路及分块突破研究后的结果做总结,排除杂质取其精华,最后做出归纳。

    基本面分析需要注意的问题:

    1.基本面分析与技术面分析的关系;

    2.如何判断消息对金银的影响时间?

    3.如何识别一定时期内的主导因素?

    4.基本面分析的缺点;

    展开全文
  • 瑞银-全球-量化策略-全球股市基本面分析:揭开股票价格的面纱-2019.6.7-52页.pdf
  • 全面的基本面分析程序包,可收集20年以上的13.000多家公司的公司简介,财务报表,比率和股票数据。,该程序包从FMP收集了一大批公司(13.000+)的基础知识和详细的公司股票数据,并使用Yahoo Finance获取任何金融...
  • Python 量化分析——基本面选股模型

    千次阅读 2021-02-05 12:58:39
    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...

    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。

    Python 量化分析——基本面选股模型

    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

    Python 量化分析——基本面选股模型

     

    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
    

    Python 量化分析——基本面选股模型

     

    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

    Python 量化分析——基本面选股模型

     

    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()

    Python 量化分析——基本面选股模型

     

    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

    Python 量化分析——基本面选股模型

     

    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

    Python 量化分析——基本面选股模型

     

    结果如下:

    Python 量化分析——基本面选股模型

     

    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!

     

     

    展开全文
  •  基本面分析和技术面分析是外汇投资时运用的两类主要分析方法,由于基本面在很大程度上影响着长期的汇率运动方向,因此基本面分析成为中长线投资者必不可少的分析工具。但由于基本面分析涵盖的范围庞大而复杂,导致...
  • 我们的结果表明,基本面分析可以有效地用作过渡经济背景下的投资工具。 与将会计信息即时整合到财务信息(股票价格)的EMH相反,我们的研究表明,这两个信息水平在中国开放时并不同步,因此为基于基础分析的预测打开...
  • 基本面分析股票!

    2008-01-29 12:11:23
    基本面分析没有一个统一的方法,每个人的侧重点都会不同。按照我个人的经验和个人的理解,我就重点关注一下几个指标。  第一,每股收益,这是一个绝对值。  第二,每股收益的相对值,它对比去年同期,它的增幅...
  • 自从有股市成立以来,所有的投资就分为三派,一派是以技术面分析为主,一派是以基本面分析为主,一派兼和技术面分析基本面分析,孰优孰劣,从未有过定论 。今天小编就简单和大家聊聊如何从基本面和技术面分析一只...
  • 分析主营业务 分析公司商业模式 公司赚钱能力如何 盈利能力(ROE等) 护城河分析 4问: 一问:为什么净资产收益率(ROE)高于同行? 二问:为什么XX高于同行? 三问:为什么毛利率高于同行或者三费(销售管理财务)...
  • 基本面分析

    2007-12-15 19:33:00
    当以另一国货币估价一国货币时,基本面分析包括对宏观经济指标、资产市场以及政治因素的研究。宏观经济指标包括经济增长率等数字,由国内生产总值、利息率、通货膨胀率、失业率、货币供应量、外汇储备以及生产率等...
  • 1两者的联系两者的起点与终点一致都为了更好把握投资时机进行科学决策以达到赢利目的两者实践基础相同都...基本分析设计股票的选择技术分析决定投资的最佳时机两者的结合即选准对象和把握机会才能在证券投资中有所斩获...
  • 基本面分析与技术分析

    千次阅读 2007-05-17 13:08:00
    股票投资分析方法通常可以分为两大类:基本面分析和技术分析。投资者经常争论哪一种方法更好。本课中将讨论为什么两种方法对成功投资都至关重要。 如何看待基本面分析和技术分析之争? 就我个人的经验,这并不是一个...
  • 投资者或操盘手决定是否买卖某家公司的股票时,可以借助多种方法来评估。 公司财务报表包含大量绩效相关信息,您可以从中找到大部分有利于评估的资料。 财务报表包含绩效指标 财务报表允许您查看公司...
  • AJPFX平台:开设外汇保证金交易账户以及入金之后,通常就可以开始交易了,但是在选择买卖时点时通常会依据两种分析,两种主要分析方法通常会被称为基本面分析和技术分析基本面分析注重金融,经济理论和政局发展,...
  • 第十四讲 基本面分析信息分析; 一信息的作用与来源; 一信息的作用与来源; 上市公司配股法律意见书的内容与格式 法律意见书和律师工作报告的内容与格式 公开发行股票公司信息披露实施细则规定,股份有限公司公开发行...
  • 瑞银-全球-投资策略-基本面分析股票成本系列-2020.10.1-48页.pdf
  • 我不知道股票基本面分析在一场股灾面前能有多大的抵抗力,因为不管哪个股票,当股灾袭来时,无一幸免,即使上百美元的IBM股票,也会在暴风雨袭来时迅速回到20美分,我的意思不是说股票基本面分析没有用,我是想说,...
  • 基本面分析要点

    2009-06-21 21:18:33
    [b]外汇[/b] 外汇的价格反映出的是货币供给和需求的一种平衡状态。影响供给和需求的两个最重要的因素是利率和经济的表现,在各项经济指标中,如国民生产毛额、国外资本的流入或是国际间的贸易代表的就是...基本面...
  • 股市几个常用基本面指标介绍

    千次阅读 2019-02-27 20:41:20
    本文用于介绍几个股市常用的基本面分析指标,对于市场不太敏感的我,这些有时候会很乱…后续会补充 1、净资产(Net Assets) 净资产即所有者权益,指所有者在企业资产中享有的经济利益,包括:实收资本(或股本)、资本...
  • columns=df.index) 得到的数据首先进行转置处理,然后获取公司基本信息: #查询当前所有正常上市交易的股票列表 data = pro.query('stock_basic', ts_code=tscode, list_status='L', fields='ts_code,symbol,name,...
  • 上市公司基本面分析的项目

    千次阅读 2010-05-10 01:24:00
    [编辑]上市公司基本面分析的项目[1] 投资者在基本面分析中要研究分析哪些项目和内容呢?它们是: 公司财务报表的分析 公司所在行业的分析 公司产品和市场的分析 公司文化和管理层素质的分析 公司的实地考察 [编辑]...
  • 1.基本面量化在成熟股市崛起的时代背景 金融市场的量化投资,自20世纪80年代开始飞速发展至今,已经有数十年时间。从欧美的投资实践来看,专业从业人员在早中期围绕数理金融的纯量化交易中逐渐发现,数理金融的抽象...
  • 基本面分析有一个很挫的地方:你所看到的财务数据可能是假的。 会计处理中有各种魔法手段来“创造”数据,企业利润在10%以内的变动实在是会计上的一个小误差,可股票分析师竟然把它当一回事。假如数据本身是别人造...
  • 股票基本面统计 使用get_stock_basics()函数一次性下载所有股票基本面数据。这对观察股票的整体市场情况很有帮助。 import tushare as ts import pandas as pd import numpy as np import matplotlib.pyplot as plt ...
  • 介绍一些基本面指标

    千次阅读 2018-06-28 13:41:11
    通过基本面分析股票,其实也不难,首先你得懂以下几个个指标。1. 估测股价指标——市盈率市盈率是估测股价偏高或者偏低最基本、重要的指标之一。算法:市盈率=每股市价÷每股盈利一般认为该比例保持在20-30之间时...
  • 基本面分析与技术分析的关系

    千次阅读 2007-05-17 12:57:00
    (1)两者的联系。两者的起点与终点一致,都为了更好把握投资时机,进行...基本分析设计股票的选择,技术分析决定投资的最佳时机。两者的结合,即选准对象和把握机会,才能在证券投资中有所斩获。 (2)两者的区别。

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 12,901
精华内容 5,160
关键字:

如何分析股票基本面