# Python量化实战：用AKShare构建A股基本面分析系统 第一次接触量化投资时，我被各种复杂的财务指标和术语搞得晕头转向。直到发现AKShare这个神器，才真正体会到用代码分析上市公司基本面的乐趣——不需要手动下载Excel，不用忍受网页端的卡顿，几行Python就能把A股所有上市公司的财务数据"一网打尽"。 ## 1. 环境配置与数据准备 工欲善其事，必先利其器。在开始我们的财务分析之旅前，需要确保环境配置正确。建议使用Python 3.8及以上版本，这是AKShare的最佳运行环境。 ```bash # 安装最新版AKShare和依赖库 pip install akshare --upgrade pip install pandas numpy matplotlib ``` 验证安装是否成功： ```python import akshare as ak print(f"当前AKShare版本: {ak.__version__}") ``` 获取全量A股上市公司列表是分析的第一步，这个基础数据表将作为我们后续所有分析的起点： ```python # 获取A股上市公司代码与名称对照表 stock_list = ak.stock_info_a_code_name() print(f"共获取到{len(stock_list)}家A股上市公司") ``` 这个基础数据表包含两个关键字段： - `code`: 股票代码（如'600519'） - `name`: 公司简称（如'贵州茅台'） ## 2. 财务数据获取实战 基本面分析的核心是财务数据。AKShare提供了多个接口获取不同类型的财务指标，我们重点关注意义重大的三个报表： ### 2.1 业绩报表获取 业绩报表（季报/年报）是最基础的财务数据来源，包含ROE、毛利率等关键指标： ```python def get_financial_report(quarter="20230630"): """ 获取指定季度的业绩报表 :param quarter: 财报日期，格式为YYYYMMDD :return: DataFrame格式的财务数据 """ df = ak.stock_yjbb_em(date=quarter) # 筛选关键指标 columns = ['股票代码', '股票简称', '每股收益', '营业收入', '净利润', '净资产收益率', '毛利率'] return df[columns].sort_values('净资产收益率', ascending=False) ``` 典型输出结果示例： | 股票代码 | 股票简称 | 每股收益 | 营业收入(亿元) | 净利润(亿元) | 净资产收益率(%) | 毛利率(%) | |----------|----------|----------|----------------|--------------|-----------------|-----------| | 600519 | 贵州茅台 | 15.88 | 695.76 | 359.80 | 33.56 | 91.62 | | 300750 | 宁德时代 | 4.43 | 890.38 | 207.17 | 28.12 | 21.27 | ### 2.2 资产负债表关键指标 资产负债表反映企业的资产质量和财务健康状况： ```python def get_balance_sheet(): """获取最新资产负债表关键指标""" df = ak.stock_zcfz_em() key_columns = ['股票代码', '股票简称', '资产负债率', '流动资产', '流动负债', '商誉'] return df[key_columns].sort_values('资产负债率') ``` ### 2.3 现金流量表分析 现金流是企业生存的血液，这个接口帮助我们识别"纸上富贵"的公司： ```python def get_cash_flow(): """获取现金流量表数据""" df = ak.stock_xjll_em() return df[['股票代码', '股票简称', '经营活动现金流', '投资活动现金流', '筹资活动现金流']] ``` ## 3. ROE筛选策略实现 净资产收益率(ROE)是巴菲特最看重的财务指标之一，它衡量公司运用自有资本的效率。我们将实现一个完整的ROE筛选流程： ### 3.1 基础筛选逻辑 ```python def roe_screener(min_roe=15, min_profit=1, quarter="20230630"): """ ROE筛选器 :param min_roe: ROE最低要求(%) :param min_profit: 净利润最低要求(亿元) :param quarter: 财报季度 :return: 符合条件的股票列表 """ df = get_financial_report(quarter) # 条件筛选 condition = (df['净资产收益率'] >= min_roe) & (df['净利润'] >= min_profit) result = df[condition].copy() # 添加行业信息 industry_info = ak.stock_board_industry_name_em() result = result.merge(industry_info, left_on='股票代码', right_on='代码', how='left') return result[['股票代码', '股票简称', '净资产收益率', '净利润', '行业名称']] ``` ### 3.2 多季度ROE稳定性分析 单季度ROE可能有偶然性，我们需要考察连续多季度的表现： ```python def check_roe_stability(stock_code, periods=4): """ 检查ROE稳定性 :param stock_code: 股票代码 :param periods: 回溯期数(季度) :return: ROE变化曲线 """ quarters = ["20220331", "20220630", "20220930", "20221231", "20230331", "20230630"] roe_values = [] for q in quarters[-periods:]: try: df = get_financial_report(q) roe = df[df['股票代码'] == stock_code]['净资产收益率'].values[0] roe_values.append(roe) except: continue return roe_values ``` ### 3.3 行业对比分析 不同行业的ROE水平差异很大，我们需要在行业内进行比较： ```python def industry_compare(industry): """ 行业ROE对比分析 :param industry: 行业名称 :return: 该行业ROE排名 """ df = roe_screener(min_roe=0, min_profit=0) industry_df = df[df['行业名称'] == industry] return industry_df.sort_values('净资产收益率', ascending=False) ``` ## 4. 多因子综合选股模型 单纯依靠ROE可能不够全面，我们需要构建一个多因子模型： ### 4.1 因子权重设计 我们选取五个关键因子并分配权重： | 因子名称 | 权重 | 说明 | |----------------|------|-------------------------------| | ROE | 30% | 净资产收益率 | | 毛利率 | 20% | 产品盈利能力 | | 负债率 | 15% | 财务健康度 | | 现金流 | 20% | 盈利质量 | | 营收增长率 | 15% | 成长性 | ### 4.2 因子标准化处理 不同因子的量纲不同，需要进行标准化： ```python def normalize_factor(df, column): """ 因子标准化 :param df: 原始数据 :param column: 需要标准化的列名 :return: 标准化后的Series """ max_val = df[column].max() min_val = df[column].min() return (df[column] - min_val) / (max_val - min_val) ``` ### 4.3 综合评分计算 ```python def calculate_composite_score(quarter="20230630"): """ 计算多因子综合评分 :param quarter: 财报季度 :return: 带评分的DataFrame """ # 获取基础数据 df = get_financial_report(quarter) bs_df = get_balance_sheet() cf_df = get_cash_flow() # 合并数据 merged = df.merge(bs_df, on=['股票代码', '股票简称']) merged = merged.merge(cf_df, on=['股票代码', '股票简称']) # 因子标准化 factors = { 'roe': ('净资产收益率', 0.3), 'gross_margin': ('毛利率', 0.2), 'debt_ratio': ('资产负债率', -0.15), # 负权重表示越小越好 'cash_flow': ('经营活动现金流', 0.2), 'revenue_growth': ('营业收入同比增长率', 0.15) } for factor, (col, weight) in factors.items(): merged[f'{factor}_score'] = normalize_factor(merged, col) * weight # 计算总分 score_columns = [f'{factor}_score' for factor in factors] merged['composite_score'] = merged[score_columns].sum(axis=1) return merged.sort_values('composite_score', ascending=False) ``` ## 5. 数据可视化与分析 有了高质量的数据，我们需要通过可视化发现其中的规律和机会。 ### 5.1 ROE分布直方图 ```python import matplotlib.pyplot as plt def plot_roe_distribution(): """绘制全市场ROE分布图""" df = get_financial_report() plt.figure(figsize=(10, 6)) plt.hist(df['净资产收益率'], bins=30, edgecolor='black') plt.title('A股上市公司ROE分布') plt.xlabel('ROE(%)') plt.ylabel('公司数量') plt.grid(True) plt.show() ``` ### 5.2 行业ROE对比图 ```python def plot_industry_roe(): """绘制各行业平均ROE对比""" df = roe_screener(min_roe=0, min_profit=0) industry_roe = df.groupby('行业名称')['净资产收益率'].mean().sort_values() plt.figure(figsize=(12, 8)) industry_roe.plot(kind='barh') plt.title('各行业平均ROE对比') plt.xlabel('ROE(%)') plt.grid(True) plt.show() ``` ### 5.3 个股财务指标雷达图 ```python def plot_radar_chart(stock_code): """绘制个股财务雷达图""" from math import pi # 获取数据 df = calculate_composite_score() stock_data = df[df['股票代码'] == stock_code].iloc[0] # 准备数据 categories = ['盈利能力', '成长性', '财务健康', '现金流', '运营效率'] values = [ stock_data['roe_score']/0.3, stock_data['revenue_growth_score']/0.15, (1 - stock_data['debt_ratio_score']/0.15), stock_data['cash_flow_score']/0.2, stock_data['gross_margin_score']/0.2 ] # 绘制雷达图 N = len(categories) angles = [n / float(N) * 2 * pi for n in range(N)] angles += angles[:1] fig = plt.figure(figsize=(8, 8)) ax = fig.add_subplot(111, polar=True) ax.set_theta_offset(pi / 2) ax.set_theta_direction(-1) plt.xticks(angles[:-1], categories) ax.set_rlabel_position(0) plt.yticks([0.25, 0.5, 0.75], ["25%", "50%", "75%"], color="grey", size=7) plt.ylim(0, 1) values += values[:1] ax.plot(angles, values, linewidth=1, linestyle='solid', label="当前公司") ax.fill(angles, values, 'b', alpha=0.1) plt.title(f"{stock_data['股票简称']}({stock_code})财务健康度雷达图", size=11, y=1.1) plt.show() ``` ## 6. 策略回测与优化 任何量化策略都需要经过历史数据的检验，下面我们实现一个简单的回测框架。 ### 6.1 回测框架设计 ```python def backtest_strategy(start_date="20200101", end_date="20231231", initial_capital=100000): """ 策略回测框架 :param start_date: 回测开始日期 :param end_date: 回测结束日期 :param initial_capital: 初始资金 """ # 获取历史季度数据 quarters = ["20200331", "20200630", "20200930", "20201231", "20210331", "20210630", "20210930", "20211231", "20220331", "20220630", "20220930", "20221231", "20230331", "20230630"] portfolio = {} capital = initial_capital history = [] for q in quarters: if q < start_date or q > end_date: continue # 当期选股 selected = roe_screener(min_roe=20, min_profit=1, quarter=q) selected = selected.head(10) # 取ROE最高的10只 # 清仓 for code in list(portfolio.keys()): if code not in selected['股票代码'].values: # 获取卖出价格 price = get_quarter_end_price(code, q) capital += portfolio[code] * price del portfolio[code] # 调仓 per_stock = capital / len(selected) if len(selected) > 0 else 0 for _, row in selected.iterrows(): code = row['股票代码'] price = get_quarter_end_price(code, q) if code in portfolio: continue # 已持有则不操作 if per_stock > 0: shares = per_stock / price portfolio[code] = shares capital -= per_stock # 记录净值 total_value = capital + sum( shares * get_quarter_end_price(code, q) for code, shares in portfolio.items() ) history.append((q, total_value)) return history ``` ### 6.2 价格数据获取 ```python def get_quarter_end_price(stock_code, quarter): """ 获取季度末收盘价 :param stock_code: 股票代码 :param quarter: 季度末日期(YYYYMMDD) """ end_date = pd.to_datetime(quarter) start_date = end_date - pd.Timedelta(days=5) # 确保能获取到数据 try: df = ak.stock_zh_a_hist( symbol=stock_code, period="daily", start_date=start_date.strftime("%Y%m%d"), end_date=quarter ) return df.iloc[-1]['收盘'] except: return 0 ``` ### 6.3 回测结果可视化 ```python def plot_backtest_result(history): """绘制回测结果曲线""" quarters = [x[0] for x in history] values = [x[1] for x in history] plt.figure(figsize=(12, 6)) plt.plot(quarters, values, marker='o') plt.title('ROE选股策略回测结果') plt.xlabel('季度') plt.ylabel('组合净值') plt.grid(True) plt.xticks(rotation=45) plt.show() ``` ## 7. 实战技巧与注意事项 在实际使用AKShare进行基本面分析时，有几个关键点需要注意： 1. **数据更新频率**： - 季度财务报告通常在季度结束后1-2个月内更新 - 年度报告在次年4月底前全部披露完毕 - 使用`ak.stock_yjbb_em(date="最新日期")`获取最新数据 2. **异常数据处理**： ```python # 处理财务数据中的异常值 df = df.replace([np.inf, -np.inf], np.nan) df = df.fillna(0) # 或用行业平均值填充 ``` 3. **行业中性化处理**： ```python # 计算行业调整后的ROE industry_median = df.groupby('行业名称')['净资产收益率'].transform('median') df['adjusted_roe'] = df['净资产收益率'] - industry_median ``` 4. **性能优化技巧**： - 对多次使用的数据建立本地缓存 - 使用多线程获取多只股票的历史数据 - 避免在循环中频繁调用AKShare接口 5. **常见问题排查**： - 接口返回空数据：检查参数格式是否正确，日期是否在合理范围 - 数据缺失：某些ST股票或新上市股票可能没有完整财务数据 - 版本不兼容：保持AKShare为最新版本 ```python # 建立数据缓存的装饰器示例 from functools import lru_cache import pandas as pd @lru_cache(maxsize=32) def cached_financial_report(quarter): return get_financial_report(quarter) ``` 通过本套系统，我们可以将复杂的基本面分析过程自动化，快速识别出符合特定财务特征的上市公司。但记住，财务数据只是投资决策的一个维度，需要结合行业趋势、商业模式、管理层等多方面因素综合判断。