Ratios financiers à partir du tableau des flux de trésorerie

Analyser les états financiers en Python

Rohan Chatterjee

Risk Modeler

Lire des données JSON

Les données « dans la nature » ne sont pas toujours sous forme de tableur
Parfois elles sont au format JSON (« JavaScript Object Notation »)
Les entreprises peuvent partager leurs états financiers en JSON
On peut lire des fichiers JSON dans Python avec pandas

cash_flow = pd.read_json("cash_flow_statement.json")
print(cash_flow.head())

Cette image montre les 5 premières lignes des données du tableau des flux de trésorerie chargées.

Ratio flux d'exploitation / résultat net

Part des flux de trésorerie d'exploitation par rapport au résultat net
Les activités d'exploitation sont le cœur du métier
Un ratio élevé indique que l'entreprise génère une large part de trésorerie via ses activités d'exploitation

Formule :

$$\dfrac{\text{Cash flow from operating activities}}{\text{Net income}}$$

Operating cash flow ratio

Part des flux de trésorerie d'exploitation par rapport aux passifs courants
Mesure combien de fois l'entreprise peut régler ses obligations à court terme avec la trésorerie issue du cœur d'activité
Un ratio supérieur à 1 indique une trésorerie suffisante pour couvrir les obligations à court terme

Formule :

$$\dfrac{\text{Cash flow from operating activities}}{\text{Current liabilities}}$$

Imputer les valeurs manquantes

Les données « dans la nature » contiennent souvent des valeurs manquantes
Le numérateur d'un ratio peut être disponible, mais pas son dénominateur, ou l'inverse
Solution : imputer les valeurs manquantes avec des données d'autres entreprises

Imputer les valeurs manquantes

Dans le DataFrame dataset ci-dessous, certaines valeurs de « Total Current Liabilities » manquent, indiquées par NaN

Cette image montre les premières lignes d'un tableau des flux de trésorerie où certaines valeurs de la colonne total liabilities sont manquantes.

On peut imputer les passifs courants manquants d'une entreprise à partir de ses valeurs non manquantes

Imputer les valeurs manquantes

Nous complétons les valeurs manquantes par la moyenne des valeurs non manquantes de chaque entreprise :

imputation = dataset.groupby("company")["Total Current Liabilities"].transform("mean")

dataset["Imputed Total Current Liabilities"] = dataset["Total Current Liabilities"].fillna(imputation)

Après imputation, dataset devient :

Cette image montre les premières lignes d'un tableau des flux de trésorerie où certaines valeurs de la colonne total liabilities sont manquantes. Il comporte une autre colonne appelée imputed total current liabilities où les valeurs manquantes sont imputées.

Prendre des percentiles pour rester prudent

Imputer avec des percentiles

Imputer une valeur manquante avec son 70e centile des pires valeurs non manquantes donne une estimation plus prudente.
Calculer les ratios avec cette imputation conservatrice peut être plus avisé si le ratio sert à décider.
Imputer via le 70e centile, groupé par company :

imputation = dataset.groupby("company")["Total Current Liabilities"]\
    .transform(lambda x: np.nanquantile(x, 0.7))

dataset["Imputed Total Current Liabilities"] = dataset["Total Current Liabilities"]\
    .fillna(imputation)

Passons à la pratique !

Analyser les états financiers en Python